Submitted by Automa??o e Estat?stica (sst@bczm.ufrn.br) on 2018-01-15T21:33:32Z
No. of bitstreams: 1
AmandaLucenaGermano_DISSERT.pdf: 7217536 bytes, checksum: 25a20d10202bb0af3f3b8e89539d2fbb (MD5) / Approved for entry into archive by Arlan Eloi Leite Silva (eloihistoriador@yahoo.com.br) on 2018-01-17T12:52:40Z (GMT) No. of bitstreams: 1
AmandaLucenaGermano_DISSERT.pdf: 7217536 bytes, checksum: 25a20d10202bb0af3f3b8e89539d2fbb (MD5) / Made available in DSpace on 2018-01-17T12:52:40Z (GMT). No. of bitstreams: 1
AmandaLucenaGermano_DISSERT.pdf: 7217536 bytes, checksum: 25a20d10202bb0af3f3b8e89539d2fbb (MD5)
Previous issue date: 2017-07-31 / Com a necessidade do aumento da qualidade dos produtos e do desempenho dos processos,
o grau de automa??o cresceu bastante nas ind?strias. Com isso, os sistemas est?o
cada vez mais complexos e v?m acompanhados por problemas dif?ceis de resolver devido
? alta dimensionalidade desses sistemas e do grande volume do fluxo de informa??es necess?rias,
al?m da aleatoriedade de falhas e defeitos. Uma falha inesperada pode levar a
riscos operacionais, por isso a import?ncia de detectar e localizar a falha, principalmente
quando a planta industrial ainda est? operando em uma regi?o control?vel e ? poss?vel
agir para trazer o processo de volta para o estado normal, seguro e operacional. Assim, ?
desej?vel que o sistema de detec??o de falhas forne?a respostas r?pidas e confi?veis com
um esfor?o computacional adequado para processamento em tempo real, mesmo necessitando
tratar com grandes quantidades de dados. Para trabalhar com grandes quantidades
de dados em tempo real, surgiu o modelo de fluxo de dados, que consiste de uma sequ?ncia
ordenada de pontos que s? podem ser lidos apenas uma ou algumas poucas vezes. Essa
?rea cresceu bastante nos ?ltimos anos, principalmente devido a grande quantidade de sistemas
que precisavam tratar com dados desse tipo, que incluem desde dados do mercado
financeiro, registros telef?nicos, transa??es web a dados m?dicos, redes de sensores ou
mesmo dados multim?dia. Diante da relev?ncia do tema de detec??o de falhas, nessa tese
foram utilizados o TEDA (Typicality and Eccentricity Data Analytics), o RDE (Recursive
Density Estimation) e o R-PCA (Recursive Principal Component Analysis) como ferramentas
para detec??o de falhas em processos industriais. Para a an?lise do desempenho
de cada uma dessas abordagens foi utilizado o cl?ssico benchmark Tennessee Eastman
Process. / In order to increase product quality and process performance, the degree of automation
has grown significantly in industries. As a result, systems are increasingly complex and
are accompanied by problems that are difficult to solve due to the high dimensionality
of these systems and the large amount of information flow, as well as the randomness of
faults and defects. An unexpected failure can lead to operational risks, so the importance
of detecting and locating the fault, especially when the industrial plant is still operating in
a controllable region and it is possible to act to bring the process back to normal, safe and
operational. Thus, it is desirable for the fault detection system to provide fast and reliable
responses with a computational effort appropriate for real-time processing, even though it
requires handling large amounts of data. In this context, data stream-oriented algorithms
to outlier detection may be promising candidates for fault detection of industrial process,
because they work with sequences of temporarily ordered samples. In addition, they
handle well with large amount of data because they are recursive and online algorithms
that do not need to store past samples. Thus, in this dissertation two algorithms of this
class are analyzed, named TEDA (Typicality and Eccentricity Data Analytics) and RDE
(Recursive Density Estimation), when applied to fault detection of industrial processes.
Their performances are compared to R-PCA (Recursive Principal Component Analysis)
algorithm. The classic Tennessee Eastman Process benchmark was used as case study to
evaluate these algorithms.
| Identifer | oai:union.ndltd.org:IBICT/oai:repositorio.ufrn.br:123456789/24547 |
| Date | 31 July 2017 |
| Creators | Germano, Amanda Lucena |
| Contributors | 21929564287, Costa, Fl?vio Bezerra, 03168934470, Costa, Bruno Sielly Jales, 05512102494, Oliveira, Luiz Affonso Henderson Guedes de |
| Publisher | PROGRAMA DE P?S-GRADUA??O EM ENGENHARIA EL?TRICA E DE COMPUTA??O, UFRN, Brasil |
| Source Sets | IBICT Brazilian ETDs |
| Language | Portuguese |
| Detected Language | Portuguese |
| Type | info:eu-repo/semantics/publishedVersion, info:eu-repo/semantics/masterThesis |
| Source | reponame:Repositório Institucional da UFRN, instname:Universidade Federal do Rio Grande do Norte, instacron:UFRN |
| Rights | info:eu-repo/semantics/openAccess |
Page generated in 0.0018 seconds