Trabalho de conclusão de graduação
Avaliação de sistemas de detecção e diagnóstico de falhas baseados em aprendizado de máquina em cenários de pré-falha e incrustação em unidades de tratamento de águas ácidas
Autor
Pitanga, Guilherme Faustino
Institución
Resumen
Este trabalho tem como objetivo analisar os cen´arios de pr´e-falha e incrusta¸c˜ao em uma
Unidade de Tratamento de Agua ´ Acida aplicado m´etodos de Inteligˆencia Artificial. Foram ´
utilizados os dados provenientes da simula¸c˜ao dinˆamica do processo feito em Aspen Plus
Dynamics® V10 realizado por Nogueira (2021), contendo mais de sessenta mil amostras das vari´aveis da unidade em opera¸c˜ao normal e seis diferentes condi¸c˜oes de falha.
Este banco de dados foi previamente tratado para adi¸c˜ao de ru´ıdos e tempos de atraso.
Para esses dados, os m´etodos que obtiveram melhor desempenho foram Random Forest
(RF) e M´aquinas de Vetores de Suporte (SVM) (NOGUEIRA, 2021). Os resultados foram
apresentados e analisados mediante as m´etricas estat´ısticas adequadas para o problema de
classifica¸c˜ao em Aprendizado de M´aquinas. Os resultados apontam que, para o cen´ario de
incrusta¸c˜ao, o m´etodo SVM Linear apresenta a maior acur´acia, 88,45%. Para o cen´ario
de pr´e-falha, foi feita primeiramente a separa¸c˜ao das amostras de opera¸c˜ao normal da
regi˜ao de falha e pr´e-falha. Nesta etapa, o melhor m´etodo foi RF, com uma acur´acia
de 94,77%. Em seguida, foi feita a classifica¸c˜ao para dois cen´arios distintos: uma ´unica
regi˜ao de pr´e-falha e uma regi˜ao de pr´e-falha para cada falha. Os melhores m´etodos para
cada um desses cen´arios foram: SVM Linear (98,20%) e SVM Gaussiano (95,59%), respectivamente.