Técnica de seleção de variáveis em problemas de classificação de falhas aplicada em processo industrial usando o algoritmo genético MOEADD

• Autor(a) principal: Marcos Flávio Silveira Vasconcelos D´Angelo
• Data de Publicação: 2019
• Outros Autores: Luiz Carlos Gabriel Filho, Rosivaldo Antônio Gonçalves, Luana Michelly Aparecida da Costa, Leonardo Macedo Freire, Maurílio José Inácio
• Tipo de documento: Artigo
• Idioma: por
• Título da fonte: Repositório Institucional da UFMG
• Texto Completo: http://hdl.handle.net/1843/43490
• topic: Operadores Genéticos; KNN; Seleção de variáveis; Indústria; Inteligência Computacional; Inteligência computacional; Variáveis instrumentais (Estatística)

Neste trabalho é proposto um método de seleção de variáveis denominado MOEADD-KNN-M, que é baseado no algoritmo genético MOEADD (Evolutionary Many-Objective Optimization Algorithm Based on Dominance and De- composition), no algoritmo de classificação KNN (K-nearest neighbors), e em operadores genéticos adaptados. A abordagem adotada no algoritmo proposto é bi-objetivo, onde um objetivo é minimizar a quantidade de variáveis da solução e outro objetivo é minimizar a taxa de erro de classificação de falhas. Foram realizados experimentos com o método proposto empregando dados de um processo industrial petroquímico real, denominado Tennessee Eastman para classificação de falhas, e os resultados obtidos foram comparados com outros algoritmos. Os resultados demonstraram que o método proposto leva a soluções com baixo erro de classificação e pouca quantidade de sensores, que são as quantidades procuradas para serem minimizadas. Sendo assim, essa abordagem se mostrou promissora para a aplicação na seleção de variáveis em problemas de classificação de falhas em processos industriais.