Uma arquitetura híbrida para sistemas cognitivos e sua aplicação em prognóstico de falhas em transformadores de potência

Detalhes bibliográficos
Autor(a) principal: Fernando Cortez Sica
Data de Publicação: 2015
Tipo de documento: Tese
Idioma: por
Título da fonte: Repositório Institucional da UFMG
Texto Completo: http://hdl.handle.net/1843/RAOA-BC9J6X
Resumo: Este projeto propõe uma arquitetura de um framework para exportar serviços e facilidades para a implementação de sistemas baseados em conhecimento. O framework utiliza conceitos de modelos embrionário, conexionista e evolucionário. Além disso, foram mapeadas correlações entre sistemas computacionais com cognição natural, formação e representação do conhecimento. Desta forma, este framework facilita a implementação de sistemas inteligentes genéricos. A abordagem conexionista emprega aprendizado em conjunto (ensemble learning) pelo seu potencial para se atingir maior precisão e robustez. Aprendizagem em conjunto pode integrar diferentes classificadores baseados em aprendizado de máquina, que estão disponíveis na literatura, e, também, baseados em métodos estatísticos. A abordagem simbólica emprega um processo evolucionário para abstrair a dinâmica do conhecimento. A principal contribuição do projeto consiste na utilização de abordagens simbólica e conexionista para cobrir todos os aspectos de representação do conhecimento. Como resultado, foi implementado um sistema capaz de gerar prognóstico de falhas em transformadores de potência.
id UFMG_d383566eaa04b7780ec907691ccf8f15
oai_identifier_str oai:repositorio.ufmg.br:1843/RAOA-BC9J6X
network_acronym_str UFMG
network_name_str Repositório Institucional da UFMG
repository_id_str
spelling Frederico Gadelha GuimaraesRicardo de Oliveira DuarteRicardo de Oliveira DuarteJoao Antonio de VasconcelosCristiano Leite de CastroJoao Bosco Augusto London JuniorGuilherme de Alencar BarretoFernando Cortez Sica2019-08-10T09:35:27Z2019-08-10T09:35:27Z2015-09-04http://hdl.handle.net/1843/RAOA-BC9J6XEste projeto propõe uma arquitetura de um framework para exportar serviços e facilidades para a implementação de sistemas baseados em conhecimento. O framework utiliza conceitos de modelos embrionário, conexionista e evolucionário. Além disso, foram mapeadas correlações entre sistemas computacionais com cognição natural, formação e representação do conhecimento. Desta forma, este framework facilita a implementação de sistemas inteligentes genéricos. A abordagem conexionista emprega aprendizado em conjunto (ensemble learning) pelo seu potencial para se atingir maior precisão e robustez. Aprendizagem em conjunto pode integrar diferentes classificadores baseados em aprendizado de máquina, que estão disponíveis na literatura, e, também, baseados em métodos estatísticos. A abordagem simbólica emprega um processo evolucionário para abstrair a dinâmica do conhecimento. A principal contribuição do projeto consiste na utilização de abordagens simbólica e conexionista para cobrir todos os aspectos de representação do conhecimento. Como resultado, foi implementado um sistema capaz de gerar prognóstico de falhas em transformadores de potência.This project proposes a framework architecture to export services and facilities for the implementation of knowledge-based systems. The framework utilizes concepts from embryonic, connectionist and evolutionary approaches. Additionally, we map correlations between computational systems with natural cognition, knowledge formation and representation. This way, this framework facilitates the implementation of generic intelligent systems. The connectionist approach employs ensemble learning for its potential in achieving higher accuracy and robustness. Ensemble learning can combine together different classifiers based on machine learning that are available in the literature and statistical methods. The symbolic approach employs an evolutionary method to permit the knowledge dynamics. The main contribution of the project relies in the utilization of symbolic and connexionist approaches to cover all the knowledge representation aspects. As result, was implemented a system able to generate fault prognosis in power transformers.Universidade Federal de Minas GeraisUFMGEngenharia elétricaLocalização de falhas (Engenharia)Transformadores eletricosPrognósticos de falhasSistemas cognitivosTransformadores de potênciaUma arquitetura híbrida para sistemas cognitivos e sua aplicação em prognóstico de falhas em transformadores de potênciainfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/doctoralThesisinfo:eu-repo/semantics/openAccessporreponame:Repositório Institucional da UFMGinstname:Universidade Federal de Minas Gerais (UFMG)instacron:UFMGORIGINALtese_fernando_cortez_sica.pdfapplication/pdf6621762https://repositorio.ufmg.br/bitstream/1843/RAOA-BC9J6X/1/tese_fernando_cortez_sica.pdfe26e092e3fb1910d10fe6359d4304586MD51TEXTtese_fernando_cortez_sica.pdf.txttese_fernando_cortez_sica.pdf.txtExtracted texttext/plain165822https://repositorio.ufmg.br/bitstream/1843/RAOA-BC9J6X/2/tese_fernando_cortez_sica.pdf.txt302ed0074c8319b30288c1dcc9087ebdMD521843/RAOA-BC9J6X2019-11-14 11:55:24.255oai:repositorio.ufmg.br:1843/RAOA-BC9J6XRepositório de PublicaçõesPUBhttps://repositorio.ufmg.br/oaiopendoar:2019-11-14T14:55:24Repositório Institucional da UFMG - Universidade Federal de Minas Gerais (UFMG)false
dc.title.pt_BR.fl_str_mv Uma arquitetura híbrida para sistemas cognitivos e sua aplicação em prognóstico de falhas em transformadores de potência
title Uma arquitetura híbrida para sistemas cognitivos e sua aplicação em prognóstico de falhas em transformadores de potência
spellingShingle Uma arquitetura híbrida para sistemas cognitivos e sua aplicação em prognóstico de falhas em transformadores de potência
Fernando Cortez Sica
Prognósticos de falhas
Sistemas cognitivos
Transformadores de potência
Engenharia elétrica
Localização de falhas (Engenharia)
Transformadores eletricos
title_short Uma arquitetura híbrida para sistemas cognitivos e sua aplicação em prognóstico de falhas em transformadores de potência
title_full Uma arquitetura híbrida para sistemas cognitivos e sua aplicação em prognóstico de falhas em transformadores de potência
title_fullStr Uma arquitetura híbrida para sistemas cognitivos e sua aplicação em prognóstico de falhas em transformadores de potência
title_full_unstemmed Uma arquitetura híbrida para sistemas cognitivos e sua aplicação em prognóstico de falhas em transformadores de potência
title_sort Uma arquitetura híbrida para sistemas cognitivos e sua aplicação em prognóstico de falhas em transformadores de potência
author Fernando Cortez Sica
author_facet Fernando Cortez Sica
author_role author
dc.contributor.advisor1.fl_str_mv Frederico Gadelha Guimaraes
dc.contributor.advisor-co1.fl_str_mv Ricardo de Oliveira Duarte
dc.contributor.referee1.fl_str_mv Ricardo de Oliveira Duarte
dc.contributor.referee2.fl_str_mv Joao Antonio de Vasconcelos
dc.contributor.referee3.fl_str_mv Cristiano Leite de Castro
dc.contributor.referee4.fl_str_mv Joao Bosco Augusto London Junior
dc.contributor.referee5.fl_str_mv Guilherme de Alencar Barreto
dc.contributor.author.fl_str_mv Fernando Cortez Sica
contributor_str_mv Frederico Gadelha Guimaraes
Ricardo de Oliveira Duarte
Ricardo de Oliveira Duarte
Joao Antonio de Vasconcelos
Cristiano Leite de Castro
Joao Bosco Augusto London Junior
Guilherme de Alencar Barreto
dc.subject.por.fl_str_mv Prognósticos de falhas
Sistemas cognitivos
Transformadores de potência
topic Prognósticos de falhas
Sistemas cognitivos
Transformadores de potência
Engenharia elétrica
Localização de falhas (Engenharia)
Transformadores eletricos
dc.subject.other.pt_BR.fl_str_mv Engenharia elétrica
Localização de falhas (Engenharia)
Transformadores eletricos
description Este projeto propõe uma arquitetura de um framework para exportar serviços e facilidades para a implementação de sistemas baseados em conhecimento. O framework utiliza conceitos de modelos embrionário, conexionista e evolucionário. Além disso, foram mapeadas correlações entre sistemas computacionais com cognição natural, formação e representação do conhecimento. Desta forma, este framework facilita a implementação de sistemas inteligentes genéricos. A abordagem conexionista emprega aprendizado em conjunto (ensemble learning) pelo seu potencial para se atingir maior precisão e robustez. Aprendizagem em conjunto pode integrar diferentes classificadores baseados em aprendizado de máquina, que estão disponíveis na literatura, e, também, baseados em métodos estatísticos. A abordagem simbólica emprega um processo evolucionário para abstrair a dinâmica do conhecimento. A principal contribuição do projeto consiste na utilização de abordagens simbólica e conexionista para cobrir todos os aspectos de representação do conhecimento. Como resultado, foi implementado um sistema capaz de gerar prognóstico de falhas em transformadores de potência.
publishDate 2015
dc.date.issued.fl_str_mv 2015-09-04
dc.date.accessioned.fl_str_mv 2019-08-10T09:35:27Z
dc.date.available.fl_str_mv 2019-08-10T09:35:27Z
dc.type.status.fl_str_mv info:eu-repo/semantics/publishedVersion
dc.type.driver.fl_str_mv info:eu-repo/semantics/doctoralThesis
format doctoralThesis
status_str publishedVersion
dc.identifier.uri.fl_str_mv http://hdl.handle.net/1843/RAOA-BC9J6X
url http://hdl.handle.net/1843/RAOA-BC9J6X
dc.language.iso.fl_str_mv por
language por
dc.rights.driver.fl_str_mv info:eu-repo/semantics/openAccess
eu_rights_str_mv openAccess
dc.publisher.none.fl_str_mv Universidade Federal de Minas Gerais
dc.publisher.initials.fl_str_mv UFMG
publisher.none.fl_str_mv Universidade Federal de Minas Gerais
dc.source.none.fl_str_mv reponame:Repositório Institucional da UFMG
instname:Universidade Federal de Minas Gerais (UFMG)
instacron:UFMG
instname_str Universidade Federal de Minas Gerais (UFMG)
instacron_str UFMG
institution UFMG
reponame_str Repositório Institucional da UFMG
collection Repositório Institucional da UFMG
bitstream.url.fl_str_mv https://repositorio.ufmg.br/bitstream/1843/RAOA-BC9J6X/1/tese_fernando_cortez_sica.pdf
https://repositorio.ufmg.br/bitstream/1843/RAOA-BC9J6X/2/tese_fernando_cortez_sica.pdf.txt
bitstream.checksum.fl_str_mv e26e092e3fb1910d10fe6359d4304586
302ed0074c8319b30288c1dcc9087ebd
bitstream.checksumAlgorithm.fl_str_mv MD5
MD5
repository.name.fl_str_mv Repositório Institucional da UFMG - Universidade Federal de Minas Gerais (UFMG)
repository.mail.fl_str_mv
_version_ 1801676811815354368

Registros relacionados