Agrupamento e classificação de séries temporais multivariadas com reconciliações de padrões

• Autor(a) principal: Silva, Izete Celestina dos Santos
• Data de Publicação: 2018
• Tipo de documento: Dissertação
• Idioma: por
• Título da fonte: Repositório Institucional da UFBA
• Texto Completo: https://repositorio.ufba.br/handle/ri/36365
• topic: CNPQ::ENGENHARIAS; Análise de agrupamento; Fuzzy c-means; Reconciliação de padrões; Séries temporais; Cluster analysis; Fuzzy c-means; Pattern reconciliation; Time series

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.