Análise de correlação e causalidade entre dados de sensores aplicada a alarmes industriais

• Autor(a) principal: Trentz, Mateus Kochhann
• Data de Publicação: 2021
• Tipo de documento: Trabalho de conclusão de curso
• Idioma: por
• Título da fonte: Repositório Institucional da UFRGS
• Texto Completo: http://hdl.handle.net/10183/235787
• topic: Alarme industrial; Detecção de falhas; Causality; Correlation; Alarms; Pearson coefficient

A busca por metodologias computacionais automáticas que detectem a interação entre elementos dentro de um processo é comum em vários campos da ciência. O objetivo deste trabalho é investigar métodos automáticos que ajudem a analisar dados de sistema de alarmes, buscando a causa raiz da ativação de alarmes pela análise de correlação e causalidade entre dados de sensores. Os resultados das análises são exibidos em forma de gráficos de rede, permitindo o fácil entendimento das relações entre os dados dos sensores. As análises foram feitas utilizando-se dados de duas simulações computacionais de processos distintos. Para o cálculo da correlação foi utilizado o coeficiente de correlação de Pearson, calculado entre janelas de tempo de forma a capturar detalhadamente a progressão do relacionamento entre as séries. Este coeficiente também foi calculado levando em conta possíveis defasagens entre as séries, assim, o resultado do cálculo da correlação entre um par de séries é uma matriz que contêm a informação da progressão da correlação para diversas defasagens, tornando simples o processo de busca automática por zonas de alta correlação. A causalidade entre as séries foi obtida pelo teste de causalidade de Granger, porém, os resultados indicam que este método não é satisfatório quando utilizado para os dados de sensores das simulações deste estudo, visto que várias das correlações positivas encontradas estavam incorretas. O método do cálculo da correlação entre séries em janelas de tempo e levando em conta a defasagem mostrou-se útil e resiliente, apresentando-se como um bom candidato para ser utilizado em análises similares com dados de sensores reais.