Descoberta de padrões de alarme redundantes com técnicas de mineração de dados e redes complexas

• Autor(a) principal: Leandro Pfleger de Aguiar
• Data de Publicação: 2010
• Tipo de documento: Dissertação
• Idioma: por
• Título da fonte: Repositório Institucional da UFMG
• Texto Completo: http://hdl.handle.net/1843/SLSS-85BGVZ
• topic: Descoberta de conhecimento; Regras de associação; Gerenciamento de alarmes; Mineração de sequências; Redes complexas; Gerenciamento de alarmes; Redes complexas; Mineração de dados (Computação)

A área de gerenciamento de alarmes vem crescendo rapidamente e se destacando em tópicos de processos industriais. Sistemas de alarmes mal projetados ou com funcionamento inadequado já foram causas de diversos incidentes e grandes acidentes em plantas industriais ao redor do mundo, causando prejuízos financeiros e perdas de vidas. Uma das etapas mais importantes dentro das metodologias de gerenciamento é a racionalização dos alarmes, em que o volume de eventos gerados por dia é reduzido a um número adequado para que um ser humano possa compreendê-los e tratá-los. Uma das maiores dificuldades neste processo é identificar, dentre arquivos e bases de dados contendo dezenas de milhares de registros diários, padrões que possam indicar alarmes desnecessários, dado que os padrões temporais que correlacionam estes alarmes podem ser complexos por serem dependentes de variáveis de processo. Além da análise de correlação cruzada, técnica recomendada pelas normas da área para a solução deste problema, poucas tentativas foram feitas em termos de desenvolvimento de uma técnica adequada especificamente para a descoberta dos padrões de alarmes industriais redundantes. Nenhuma destas tentativas foi suficientemente capaz de realizar a atividade de maneira abrangente, com resultados previsíveis e confiáveis e complexidade gerenciável.Este trabalho apresenta uma alternativa às soluções atualmente utilizadas como técnicas de mineração dentro do processo de racionalização de alarmes, capaz de tratar algumas das dificuldades práticas enfrentadas pelas soluções anteriores e facilitar o processo. A proposta consiste em uma nova abordagem que combina mineração de sequências, mineração de regras de associação com MNR (Regras de Associação Mínimas Não Redundantes), análise de correlação cruzada e modelagem de redes complexas na visualização dos resultados, criando uma alternativa mais abrangente em termos de padrões detectados. O desempenho em termos de exatidão da solução comprova melhorias em relação à melhor abordagem existente, resultando em uma alternativa mais confiável e previsível na identificação de padrões significativos.