Análise de desempenho de método baseado em rede LSTM para classificação de falhas em um processo de controle de nível

• Autor(a) principal: Oliveira, Emerson Vilar de
• Data de Publicação: 2020
• Tipo de documento: Dissertação
• Idioma: por
• Título da fonte: Repositório Institucional da UFRN
• Texto Completo: https://repositorio.ufrn.br/handle/123456789/30254
• topic: Classificação de falhas; Redes neurais; Redes neurais recorrentes; Long short-term memory; Planta piloto

Devido ao aumento das exigências no monitoramento de operação em plantas industriais, metodologias para detecção e diagnósticos de falhas na operação desses processos vêm ganhando cada vez mais protagonismo, pois podem contribuir em soluções mais assertivas e até preditivas nos componentes que geraram tais perturbações ao bom funcionamento do sistema. Com o crescimento das abordagens orientadas a dados, as Redes Neurais Artificiais se tornaram consideráveis aliadas na solução destes problemas, sendo que as Redes Neurais Recorrentes, em especial, ganharam força devido a sua afinidade em lidar com séries que possuem ligações temporais entre suas amostras, que é o caso de monitoramento de variáveis de processos industriais. Devido a esta relevância, nesta dissertação é analisado o desempenho de um modelo baseado em rede neural recorrente do tipo Long Short Term-Memory (LSTM) para a detecção e classificação de falhas em um processo de controle de nível em escala piloto. Para a análise de desempenho foi empregada uma metodologia baseada em testes estatísticos de Monte Carlo, onde se analisou a influência dos hiperparâmetros das redes LSTM, como quantidade de camadas e tamanho da entrada e regressores. A métrica escolhida para quantificar o desempenho da classificação de falhas foi a acurácia. Os dados obtidos a partir da operação da planta piloto continham 23 situações de distúrbios nesse processo, que foram provenientes de perturbações aplicados em componentes como atuador, sensor, válvulas e o próprio tanque de água. A metodologia adotada se mostrou bastante eficiente para analisar tanto o desempenho quanto a robustez dessas redes neurais para a atividade de classificação de falhas, além de indicar as melhores configurações de arquitetura da rede.