Return to search

Detec??o e diagn?stico de falhas n?o-supervisionados baseados em estimativa de densidade recursiva e classificador fuzzy auto-evolutivo

Made available in DSpace on 2015-03-03T15:08:47Z (GMT). No. of bitstreams: 1
BrunoSJC_TESE.pdf: 2605632 bytes, checksum: cc7fdbd9d8d7dfe3adac23f17fab1ae2 (MD5)
Previous issue date: 2014-05-13 / Coordena??o de Aperfei?oamento de Pessoal de N?vel Superior / In this work, we propose a two-stage algorithm for real-time fault detection and
identification of industrial plants. Our proposal is based on the analysis of selected
features using recursive density estimation and a new evolving classifier algorithm.
More specifically, the proposed approach for the detection stage is based on the
concept of density in the data space, which is not the same as probability density
function, but is a very useful measure for abnormality/outliers detection. This
density can be expressed by a Cauchy function and can be calculated recursively,
which makes it memory and computational power efficient and, therefore, suitable for
on-line applications. The identification/diagnosis stage is based on a self-developing
(evolving) fuzzy rule-based classifier system proposed in this work, called AutoClass.
An important property of AutoClass is that it can start learning from scratch".
Not only do the fuzzy rules not need to be prespecified, but neither do the number of
classes for AutoClass (the number may grow, with new class labels being added by
the on-line learning process), in a fully unsupervised manner. In the event that an
initial rule base exists, AutoClass can evolve/develop it further based on the newly
arrived faulty state data. In order to validate our proposal, we present experimental
results from a level control didactic process, where control and error signals are used
as features for the fault detection and identification systems, but the approach is
generic and the number of features can be significant due to the computationally
lean methodology, since covariance or more complex calculations, as well as storage
of old data, are not required. The obtained results are significantly better than the
traditional approaches used for comparison / Este trabalho prop?e um algoritmo de dois estagios para detec??o e identifica??o
de falhas, em tempo real, em plantas industriais. A proposta baseia-se na analise de
caracter?sticas selecionadas utilizando estimativa de densidade recursiva e um novo
algoritmo evolutivo de classifica??o. Mais especificamente, a abordagem proposta
para detec??o e baseada no conceito de densidade no espa?o de dados, o que difere da
tradicional fun??o densidade de probabilidade, porem, sendo uma medida bastante
util na detec??o de anormalidades/outliers. Tal densidade pode ser expressa por uma
fun??o de Cauchy e calculada recursivamente, o que torna o algoritmo computacionalmente
eficiente, em termos de processamento e memoria, e, dessa maneira, apropriado
para aplica??es on-line. O estagio de identifica??o/diagnostico e realizado por
um classificador baseado em regras fuzzy capaz de se auto-desenvolver (evolutivo),
chamado de AutoClass, e introduzido neste trabalho. Uma propriedade importante
do AutoClass e que ele e capaz de aprender a partir do zero". Tanto as regras fuzzy,
quanto o numero de classes para o algoritmo n?o necessitam de pre-especifica??o (o
numero de classes pode crescer, com os rotulos de classe sendo adicionados pelo
processo de aprendizagem on-line), de maneira n~ao-supervisionada. Nos casos em
que uma base de regras inicial existe, AutoClass pode evoluir/desenvolver-se a partir
dela, baseado nos dados adquiridos posteriormente. De modo a validar a proposta,
o trabalho apresenta resultados experimentais de simula??o e de aplica??es industriais
reais, onde o sinal de controle e erro s?o utilizados como caracter?sticas para
os estagios de detec??o e identifica??o, porem a abordagem e generica, e o numero
de caracter?sticas selecionadas pode ser significativamente maior, devido ? metodologia
computacionalmente eficiente adotada, uma vez que calculos mais complexos
e armazenamento de dados antigos n?o s?o necess?rios. Os resultados obtidos s?o signifificativamente melhores que os gerados pelas abordagens tradicionais utilizadas para compara??o

Identiferoai:union.ndltd.org:IBICT/oai:repositorio.ufrn.br:123456789/18577
Date13 May 2014
CreatorsCosta, Bruno Sielly Jales
ContributorsCPF:21929564287, http://lattes.cnpq.br/7987212907837941, D?ria Neto, Adri?o Duarte, CPF:10749896434, http://lattes.cnpq.br/1987295209521433, Aloise, Daniel, CPF:03553729406, http://lattes.cnpq.br/5093210888872414, Vellasco, Marley Maria Bernardes Rebuzzi, CPF:75758385700, http://lattes.cnpq.br/8265116967095452, Angelov, Plamen Parvanov, Oliveira, Luiz Affonso Henderson Guedes de
PublisherUniversidade Federal do Rio Grande do Norte, Programa de P?s-Gradua??o em Engenharia El?trica, UFRN, BR, Automa??o e Sistemas; Engenharia de Computa??o; Telecomunica??es
Source SetsIBICT Brazilian ETDs
LanguagePortuguese
Detected LanguageEnglish
Typeinfo:eu-repo/semantics/publishedVersion, info:eu-repo/semantics/doctoralThesis
Formatapplication/pdf
Sourcereponame:Repositório Institucional da UFRN, instname:Universidade Federal do Rio Grande do Norte, instacron:UFRN
Rightsinfo:eu-repo/semantics/openAccess

Page generated in 0.0023 seconds