Use este identificador para citar ou linkar para este item:
https://repositorio.ufba.br/handle/ri/36365| Tipo: | Dissertação |
| Título: | Agrupamento e classificação de séries temporais multivariadas com reconciliações de padrões |
| Autor(es): | Silva, Izete Celestina dos Santos |
| Primeiro Orientador: | Fontes, Cristiano da Hora |
| metadata.dc.contributor.advisor-co1: | Embiruçu, Marcelo Santos |
| metadata.dc.contributor.referee1: | Fontes, Cristiano Horas |
| metadata.dc.contributor.referee2: | Nascimento, Eduardo |
| metadata.dc.contributor.referee3: | Silva, Flávio Morais de Assis |
| Resumo: | O armazenamento de uma grande quantidade de dados históricos de processos de produção estimulou o desenvolvimento de técnicas relacionadas à mineração de dados (Data Mining, DM) e à extração de conhecimento útil acerca do processo (Knowledge Discovery in Data bases, KDD). Embora existam muitos trabalhos relacionados à Detecção e Diagnóstico de Falhas (Fault Detection and Diagnosis, FDD), poucos deles são baseados em agrupamento e reconhecimento de padrões em séries temporais, especialmente em séries multivariadas. Além disso, na literatura revisada não há trabalhos relacionados ao reconhecimento de padrões em séries temporais multivariada que considerem o modelo de processo como restrição. À luz disso, este trabalho propõe um novo método para o reconhecimento de padrões em séries temporais uni e multivariada, baseado no algoritimo Fuzzy C-Means (FCM), que considera diretamente a dinâmica do processo no problema de agrupamento visando garantir, desta forma, a viabilidade dos padrões reconhecidos. O método proposto é aplicado em dois estudos de caso, ambos relacionados ao agrupamento e reconhecimento de padrões de operação anormal (falhas) e operação normal. O primeiro estudo de caso compreendeu um Reator Contínuo de Tanque Agitado (Continuous Stirred Tank Reactor, CSTR), que consiste em um processo de referência bem conhecido e utilizado para avaliar estratégias de controle e técnicas de FDD. A segunda aplicação envolveu um cenário industrial real que compreende uma turbina a gás, de escala comercial, localizada na unidade termoelétrica (UTE) Rômulo Almeida, parte integrante do parque da Companhia Brasileira de Petróleo. Os resultados obtidos evidenciam que o algoritmo FCM e uma métrica típica de similariedade entre séries temporais, baseada na Análise de Componentes Principais (PCA), não garantem o reconhecimento de padrões consistentes com a dinâmica do processo, mesmo com bons resultados de classificação e agrupamento. Por outro lado, os resultados obtidos a partir das abordagens de reconciliação propostas neste trabalho mostram a obtenção de padrões consistentes e reconciliados com a realidade dinâmica do processo, sem prejuízo da qualidade dos resultados de agrupamento e classificação. |
| Abstract: | The storage of a large amount of historical data in production processes has contributed to the development of techniques related to data mining (DM) and the extraction of useful knowledge about processes (Knowledge Discovery in Data bases, KDD). Although there are many studies related to Fault Detection and Diagnosis (FDD), few of them are based on grouping and pattern recognition in time series, especially in multivariate series. In addition, there are no work related to the recognition of patterns in time series that consider the process model as a constraint. This study proposes a new method for the recognition of patterns in uni and multivariate time series, based on the Fuzzy C-Means (FCM) algorithm, which directly considers the process dynamics in the clustering problem in order to guarantee the viability of the standards recognized. The proposed method is applied in two case studies, both related to clustering and recognition of patterns of abnormal operation (failures) and normal operation. The first case study is a Continuous Stirred Tank Reactor (CSTR), a well-known reference process used to evaluate control strategies and techniques for FDD. The second application involved a real industrial scenario comprising a commercial scale gas turbine located at the Rômulo Almeida thermoelectric plant (UTE), an integral part of the Companhia Brasileira de Petróleo park. The results show that the FCM algorithm and a typical metric of similarity between time series, based on the Principal Component Analysis (PCA), do not guarantee the recognition of patterns consistent with the process dynamics, even if good results are obtained classification and grouping. On the other hand, the results obtained from the reconciliation approaches proposed in this study show the obtaining of consistent and reconciled patterns with the dynamic reality of the process, without prejudice to the quality of the results of grouping and classification. |
| Palavras-chave: | Análise de agrupamento Fuzzy c-means Reconciliação de padrões Séries temporais |
| CNPq: | CNPQ::ENGENHARIAS |
| Idioma: | por |
| País: | Brasil |
| Editora / Evento / Instituição: | Universidade Federal da Bahia |
| Sigla da Instituição: | UFBA |
| metadata.dc.publisher.department: | Escola Politécnica |
| metadata.dc.publisher.program: | Programa de Pós-Graduação em Engenharia Industrial (PEI) |
| URI: | https://repositorio.ufba.br/handle/ri/36365 |
| Data do documento: | Set-2018 |
| Aparece nas coleções: | Dissertação de Mestrado MEPLIM (PEI) |
Arquivos associados a este item:
| Arquivo | Descrição | Tamanho | Formato | |
|---|---|---|---|---|
| Dissertacao_Izete Silva_Final_Com_Capa.pdf | 4,46 MB | Adobe PDF | Visualizar/Abrir |
Os itens no repositório estão protegidos por copyright, com todos os direitos reservados, salvo quando é indicado o contrário.