Análise inteligente de dados de sistemas de pesagem ciber-físicos

Detalhes bibliográficos
Autor(a) principal: Cunha, Francisco Barros da
Data de Publicação: 2022
Tipo de documento: Dissertação
Idioma: por
Título da fonte: Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)
Texto Completo: https://hdl.handle.net/1822/83563
Resumo: Dissertação de mestrado integrado em Engenharia e Gestão de Sistemas de Informação
id RCAP_8c80954330cf7f2fe569bf8f1351f560
oai_identifier_str oai:repositorium.sdum.uminho.pt:1822/83563
network_acronym_str RCAP
network_name_str Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)
repository_id_str 7160
spelling Análise inteligente de dados de sistemas de pesagem ciber-físicosIntelligent data analysis of cyber-physical weighing systemsAprendizagem supervisionadaCiência de dadosMachine LearningPrevisão de anomaliasSistemas de pesagemAnomaly predictionData scienceSupervised machine learningWeighing systemsEngenharia e Tecnologia::Engenharia Eletrotécnica, Eletrónica e InformáticaDissertação de mestrado integrado em Engenharia e Gestão de Sistemas de InformaçãoA presente dissertação surge no âmbito do projeto New Generation of Cyber-physical Weighing Systems (NeWeSt), cujo consórcio é formado por: Cachapuz - Weighing & Logistics Systems, Lda, INL - International Iberian Nanotechnology Laboratory, DTx - Digital Transformation CoLab e a Universidade do Minho. Esta tem como foco o desenvolvimento de uma framework baseada em técnicas de Machine Learning para prever a ocorrência de anomalias em processos de carregamento de sacos de cimento, a partir de um micro-serviço em cloud. Técnicas de Machine Learning foram aplicadas com o intuito de se criar modelos preditivos de classificação, capazes de prever a ocorrência de desvios relativamente a processos de pesagem em sacos de cimento. Esta framework foi aplicada e avaliada numa organização multinacional de sistemas de pesagem do mundo real e após a exploração de vários algoritmos de classificação, o modelo Random Forest foi o adotado, visto que obteve os melhores resultados.This dissertation arises in the scope of the New Generation of Cyber-physical Weighing Systems (NeWeSt) project, whose consortium is composed of: Cachapuz - Weighing & Logistics Systems, Lda, INL - International Iberian Nanotechnology Laboratory, DTx - Digital Transformation CoLab and the University of Minho. This project focuses on the development of a framework based on Machine Learning techniques to predict the occurrence of anomalies in the process of loading cement bags through a cloud microservice. Machine Learning techniques were applied with the purpose of creating predictive classificatory models capable of predicting the occurrence of anomalies related to the loading process of bags of cement. The framework was implemented and evaluated by a weighing systems multinational organization in a real-world setting. After exploring various classification algorithms, we adopted the Random Forest model since it obtained the best overall results.Cortez, PauloUniversidade do MinhoCunha, Francisco Barros da2022-11-242022-11-24T00:00:00Zinfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisapplication/pdfhttps://hdl.handle.net/1822/83563por203245202info:eu-repo/semantics/openAccessreponame:Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)instname:Agência para a Sociedade do Conhecimento (UMIC) - FCT - Sociedade da Informaçãoinstacron:RCAAP2023-07-21T11:57:39Zoai:repositorium.sdum.uminho.pt:1822/83563Portal AgregadorONGhttps://www.rcaap.pt/oai/openaireopendoar:71602024-03-19T18:47:20.671125Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos) - Agência para a Sociedade do Conhecimento (UMIC) - FCT - Sociedade da Informaçãofalse
dc.title.none.fl_str_mv Análise inteligente de dados de sistemas de pesagem ciber-físicos
Intelligent data analysis of cyber-physical weighing systems
title Análise inteligente de dados de sistemas de pesagem ciber-físicos
spellingShingle Análise inteligente de dados de sistemas de pesagem ciber-físicos
Cunha, Francisco Barros da
Aprendizagem supervisionada
Ciência de dados
Machine Learning
Previsão de anomalias
Sistemas de pesagem
Anomaly prediction
Data science
Supervised machine learning
Weighing systems
Engenharia e Tecnologia::Engenharia Eletrotécnica, Eletrónica e Informática
title_short Análise inteligente de dados de sistemas de pesagem ciber-físicos
title_full Análise inteligente de dados de sistemas de pesagem ciber-físicos
title_fullStr Análise inteligente de dados de sistemas de pesagem ciber-físicos
title_full_unstemmed Análise inteligente de dados de sistemas de pesagem ciber-físicos
title_sort Análise inteligente de dados de sistemas de pesagem ciber-físicos
author Cunha, Francisco Barros da
author_facet Cunha, Francisco Barros da
author_role author
dc.contributor.none.fl_str_mv Cortez, Paulo
Universidade do Minho
dc.contributor.author.fl_str_mv Cunha, Francisco Barros da
dc.subject.por.fl_str_mv Aprendizagem supervisionada
Ciência de dados
Machine Learning
Previsão de anomalias
Sistemas de pesagem
Anomaly prediction
Data science
Supervised machine learning
Weighing systems
Engenharia e Tecnologia::Engenharia Eletrotécnica, Eletrónica e Informática
topic Aprendizagem supervisionada
Ciência de dados
Machine Learning
Previsão de anomalias
Sistemas de pesagem
Anomaly prediction
Data science
Supervised machine learning
Weighing systems
Engenharia e Tecnologia::Engenharia Eletrotécnica, Eletrónica e Informática
description Dissertação de mestrado integrado em Engenharia e Gestão de Sistemas de Informação
publishDate 2022
dc.date.none.fl_str_mv 2022-11-24
2022-11-24T00:00:00Z
dc.type.status.fl_str_mv info:eu-repo/semantics/publishedVersion
dc.type.driver.fl_str_mv info:eu-repo/semantics/masterThesis
format masterThesis
status_str publishedVersion
dc.identifier.uri.fl_str_mv https://hdl.handle.net/1822/83563
url https://hdl.handle.net/1822/83563
dc.language.iso.fl_str_mv por
language por
dc.relation.none.fl_str_mv 203245202
dc.rights.driver.fl_str_mv info:eu-repo/semantics/openAccess
eu_rights_str_mv openAccess
dc.format.none.fl_str_mv application/pdf
dc.source.none.fl_str_mv reponame:Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)
instname:Agência para a Sociedade do Conhecimento (UMIC) - FCT - Sociedade da Informação
instacron:RCAAP
instname_str Agência para a Sociedade do Conhecimento (UMIC) - FCT - Sociedade da Informação
instacron_str RCAAP
institution RCAAP
reponame_str Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)
collection Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)
repository.name.fl_str_mv Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos) - Agência para a Sociedade do Conhecimento (UMIC) - FCT - Sociedade da Informação
repository.mail.fl_str_mv
_version_ 1799132231255457792

Registros relacionados