DESENVOLVIMENTO DE SISTEMA DE DETECÇÃO DE FALHAS BASEADO EM APRENDIZADO ESTATÍSTICO DE MÁQUINAS DE VETORES DE SUPORTE

DESENVOLVIMENTO DE SISTEMA DE DETECÇÃO DE FALHAS BASEADO EM APRENDIZADO ESTATÍSTICO DE MÁQUINAS DE VETORES DE SUPORTE

GRANZOTTO, M. H.; OLIVEIRA-LOPES, L. C.

Artigo:

As máquinas de vetores de suporte são uma poderosa ferramenta de reconhecimento de padrões. Elas representam um conjunto de metodologias do aprendizado supervisionado estatístico que é usado para classificação e análise de regressão de dados. Os vetores de suporte utilizam um hiperplano com máxima margem para separar as diferentes classes de dados. Este trabalho apresenta um sistema de detecção que utiliza as máquinas de vetores de suporte para detectar falhas em processos e realizar o diagnóstico das mesmas. A metodologia baseia-se em informações históricas quantitativas e qualitativas com máquinas de vetores de suporte treinadas e sintonizadas pelo método da evolução diferencial. O sistema de detecção de falhas foi avaliado em processos químicos para verificar a adequabilidade da proposta para a detecção e classificação de falhas com dados históricos e qualitativos. Métricas de desempenho do sistema apontam para a eficiência do sistema de detecção nos cenários investigados.

As máquinas de vetores de suporte são uma poderosa ferramenta de reconhecimento de padrões. Elas representam um conjunto de metodologias do aprendizado supervisionado estatístico que é usado para classificação e análise de regressão de dados. Os vetores de suporte utilizam um hiperplano com máxima margem para separar as diferentes classes de dados. Este trabalho apresenta um sistema de detecção que utiliza as máquinas de vetores de suporte para detectar falhas em processos e realizar o diagnóstico das mesmas. A metodologia baseia-se em informações históricas quantitativas e qualitativas com máquinas de vetores de suporte treinadas e sintonizadas pelo método da evolução diferencial. O sistema de detecção de falhas foi avaliado em processos químicos para verificar a adequabilidade da proposta para a detecção e classificação de falhas com dados históricos e qualitativos. Métricas de desempenho do sistema apontam para a eficiência do sistema de detecção nos cenários investigados.

Palavras-chave:

DOI: 10.5151/chemeng-cobeq2014-0904-22643-181775

Referências bibliográficas

• [1] AHN, J.J.; OH, K.J.; KIM, T.Y.; KIM, D.H. Usefulness of support vector machine to develop an early warning system for financial crisis, Expert Systems with Applications, v. 38, 4ª Ed., 2966-2973, 2011.
• [2] GRYLLIAS, K.C.; ANTONIADIS, I.A. A Support Vector Machine approach based on physical model training for rolling element bearing fault detection in industrial environments, Engineering Applications of Artificial Intelligence, v. 25, 2ª Ed., 326-344, 2012 KLATT, K.U., ENGELL, S. Gain-scheduling trajectory control of a continuous stirred tank reactor. Computers Andamp; Chemical Engineering, 491–502, 1998.
• [3] LU, J.; PLATANIOTIS, K.N.; VENETSANOPOULOS, A.N. Face recognition using feature optimization and mu-support vector learning, neural networks for signal processing XI, em Proceedings of the IEEE signal, processing society workshop. 373-382, 2001.
• [4] OGUNNAIKE, B.A., RAY, W.H. Process Dynamics, Modeling, and Control. Oxford University Press, New York, 1994.
• [5] PARK, J.; KWON, I.-H.; KIM, S.-S. BAEK, J.-G. Spline regression based feature extraction for semiconductor process fault detection using support vector machine, Expert Systems with Applications, v. 38, 5ª Ed., 5711-5718, 2011.
• [6] REIS, L.L.G.; OLIVEIRA-LOPES, L.C. Controle PID Tolerante a Falhas de um CSTR. em V Seminário Nacional de Controle e Automação Industrial, Elétrica e de Telecomunicações, Salvador. V SNCA, 1-7, 2007.
• [7] SMOLA, A. J. Regression estimation with support vector learning machines. Master’s thesis, Technische Universität München, 1996.
• [8] WU, Q. Car assembly line fault diagnosis model based on triangular fuzzy Gaussian wavelet kernel support vector classifier machine and genetic algorithm, Expert Systems with Applications, v. 38, 12ª Ed., 14812-14818, 2011.

Como citar:

GRANZOTTO, M. H.; OLIVEIRA-LOPES, L. C.; "DESENVOLVIMENTO DE SISTEMA DE DETECÇÃO DE FALHAS BASEADO EM APRENDIZADO ESTATÍSTICO DE MÁQUINAS DE VETORES DE SUPORTE", p-11819-11828. In: Anais do XX Congresso Brasileiro de Engenharia Química - COBEQ 2014 [= Blucher Chemical Engineering Proceedings, v.1, n.2]. São Paulo: Blucher, 2015.
ISSN 23591757, DOI 10.5151/chemeng-cobeq2014-0904-22643-181775