Interpretabilidade de modelos de aprendizado profundo aplicados ao diagnóstico e prognóstico não supervisionado de falhas.

Detalhes bibliográficos
Autor(a) principal: Oliveira, David Fernandes Neves
Data de Publicação: 2020
Tipo de documento: Dissertação
Idioma: por
Título da fonte: Biblioteca Digital de Teses e Dissertações da USP
Texto Completo: https://www.teses.usp.br/teses/disponiveis/3/3141/tde-08032021-102116/
Resumo: O diagnóstico de falhas representa uma tarefa importante de equipes de manutenção operacional, tendo como foco a tarefa de identificar as causas de problemas em equipamentos que possam levar a desvios no comportamento esperado, bem como à redução da eficiência prevista. A aplicação de técnicas de detecção e diagnóstico associadas a métodos preditivos, comumente conhecida por prognóstico, possibilita um planejamento mais preciso e adequado para tratar eventos inesperados que possam colocar em risco o funcionamento do sistema sob estudo. Por meio de uma identificação antecipada e detalhada de possíveis causas e ameaças, as equipes de manutenção podem se mobilizar de forma mais apropriada, planejada e assertiva, para tratar situações indesejadas, antes que elas realmente ocorram, favorecendo uma maior confiabilidade do sistema e, consequentemente, evitando interrupções inesperadas do serviço, reduzindo a possibilidade de perdas materiais e humanas. Diversas técnicas têm sido sugeridas na literatura para endereçar questões sobre prognósticos de falhas, com grande destaque para os métodos baseados em deep learning. Tais métodos são considerados como possuindo características denominadas \"caixa-preta\", por não proverem meios que expliquem os resultados obtidos, dificultando a adoção de decisões embasadas e confiáveis. Dessa forma, esta pesquisa propõe um método não supervisionado para diagnóstico e prognóstico de falhas, tendo como base técnicas de deep learning, que propiciem meios para atestare contribuir para robustez dos resultados obtidos, promovendo maior confiança e assertividade na previsão e identificação de possíveis problemas. No estudo de caso são consideradas medições físicas reais de parâmetros de rodas e rolamentos de vagões ferroviários de transporte de carga pesada, capturadas a partir de múltiplos sensores de via acopladas em pontos específicos de uma estrada de ferro no Brasil. São propostos meios que enderecem restrições na modelagem com dados e que atestem a razoabilidade das predições realizadas.
id USP_911e8e9e53278be926dafea183208900
oai_identifier_str oai:teses.usp.br:tde-08032021-102116
network_acronym_str USP
network_name_str Biblioteca Digital de Teses e Dissertações da USP
repository_id_str 2721
spelling Interpretabilidade de modelos de aprendizado profundo aplicados ao diagnóstico e prognóstico não supervisionado de falhas.Interpretability of deep learning models Applied to unsupervised fault diagnosis and prognosis.Aprendizado computacionalCondition-based maintenanceConfiabilidadeDiagnosisDiagnósticoMachine learningManutenção baseada em condiçãoPrognosisPrognósticoReliabilityO diagnóstico de falhas representa uma tarefa importante de equipes de manutenção operacional, tendo como foco a tarefa de identificar as causas de problemas em equipamentos que possam levar a desvios no comportamento esperado, bem como à redução da eficiência prevista. A aplicação de técnicas de detecção e diagnóstico associadas a métodos preditivos, comumente conhecida por prognóstico, possibilita um planejamento mais preciso e adequado para tratar eventos inesperados que possam colocar em risco o funcionamento do sistema sob estudo. Por meio de uma identificação antecipada e detalhada de possíveis causas e ameaças, as equipes de manutenção podem se mobilizar de forma mais apropriada, planejada e assertiva, para tratar situações indesejadas, antes que elas realmente ocorram, favorecendo uma maior confiabilidade do sistema e, consequentemente, evitando interrupções inesperadas do serviço, reduzindo a possibilidade de perdas materiais e humanas. Diversas técnicas têm sido sugeridas na literatura para endereçar questões sobre prognósticos de falhas, com grande destaque para os métodos baseados em deep learning. Tais métodos são considerados como possuindo características denominadas \"caixa-preta\", por não proverem meios que expliquem os resultados obtidos, dificultando a adoção de decisões embasadas e confiáveis. Dessa forma, esta pesquisa propõe um método não supervisionado para diagnóstico e prognóstico de falhas, tendo como base técnicas de deep learning, que propiciem meios para atestare contribuir para robustez dos resultados obtidos, promovendo maior confiança e assertividade na previsão e identificação de possíveis problemas. No estudo de caso são consideradas medições físicas reais de parâmetros de rodas e rolamentos de vagões ferroviários de transporte de carga pesada, capturadas a partir de múltiplos sensores de via acopladas em pontos específicos de uma estrada de ferro no Brasil. São propostos meios que enderecem restrições na modelagem com dados e que atestem a razoabilidade das predições realizadas.Failure diagnosis represents an important task for operational maintenance teams, focusing on the task of identifying the causes of equipment problems that can lead to deviations in expected behavior, as well as reducing expected efficiency. The application of detection and diagnostic techniques associated with predictive methods, commonly known as prognosis, enables a more accurate and adequate planning to deal with unexpected events that may put the system under study at risk. Through an early and detailed identification of possible causes and threats, maintenance teams can mobilize themselves in a more appropriate, planned and assertive manner, to deal with unwanted situations, before they actually occur, favoring greater system reliability and, consequently, avoiding unexpected service interruptions, reducing the possibility of material and human losses. Several techniques have been suggested in the literature to address questions about failure prognosis, with great emphasis on methods based on deep learning. Such methods are considered to have characteristics called \"black box\", as they do not provide the means to explain the results obtained, making it difficult to adopt informed and reliable decisions. Thus, this research proposes an unsupervised method for the diagnosis and prognosis of failures, based on deep learning techniques, which provide means to attest and contribute to the robustness of the results obtained, promoting greater confidence and assertiveness in the prediction and identification of possible problems. In the case study, real physical measurements of parameters of wheels and bearings of railroad cars carrying heavy loads are considered, captured from multiple track sensors coupled at specific points in a Brazilian railroad. Means are proposed that address restrictions in modeling with data and that attest to the reasonableness of the predictions made.Biblioteca Digitais de Teses e Dissertações da USPAlmeida Junior, Jorge Rady deOliveira, David Fernandes Neves2020-12-07info:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisapplication/pdfhttps://www.teses.usp.br/teses/disponiveis/3/3141/tde-08032021-102116/reponame:Biblioteca Digital de Teses e Dissertações da USPinstname:Universidade de São Paulo (USP)instacron:USPLiberar o conteúdo para acesso público.info:eu-repo/semantics/openAccesspor2024-10-09T12:45:42Zoai:teses.usp.br:tde-08032021-102116Biblioteca Digital de Teses e Dissertaçõeshttp://www.teses.usp.br/PUBhttp://www.teses.usp.br/cgi-bin/mtd2br.plvirginia@if.usp.br|| atendimento@aguia.usp.br||virginia@if.usp.bropendoar:27212024-10-09T12:45:42Biblioteca Digital de Teses e Dissertações da USP - Universidade de São Paulo (USP)false
dc.title.none.fl_str_mv Interpretabilidade de modelos de aprendizado profundo aplicados ao diagnóstico e prognóstico não supervisionado de falhas.
Interpretability of deep learning models Applied to unsupervised fault diagnosis and prognosis.
title Interpretabilidade de modelos de aprendizado profundo aplicados ao diagnóstico e prognóstico não supervisionado de falhas.
spellingShingle Interpretabilidade de modelos de aprendizado profundo aplicados ao diagnóstico e prognóstico não supervisionado de falhas.
Oliveira, David Fernandes Neves
Aprendizado computacional
Condition-based maintenance
Confiabilidade
Diagnosis
Diagnóstico
Machine learning
Manutenção baseada em condição
Prognosis
Prognóstico
Reliability
title_short Interpretabilidade de modelos de aprendizado profundo aplicados ao diagnóstico e prognóstico não supervisionado de falhas.
title_full Interpretabilidade de modelos de aprendizado profundo aplicados ao diagnóstico e prognóstico não supervisionado de falhas.
title_fullStr Interpretabilidade de modelos de aprendizado profundo aplicados ao diagnóstico e prognóstico não supervisionado de falhas.
title_full_unstemmed Interpretabilidade de modelos de aprendizado profundo aplicados ao diagnóstico e prognóstico não supervisionado de falhas.
title_sort Interpretabilidade de modelos de aprendizado profundo aplicados ao diagnóstico e prognóstico não supervisionado de falhas.
author Oliveira, David Fernandes Neves
author_facet Oliveira, David Fernandes Neves
author_role author
dc.contributor.none.fl_str_mv Almeida Junior, Jorge Rady de
dc.contributor.author.fl_str_mv Oliveira, David Fernandes Neves
dc.subject.por.fl_str_mv Aprendizado computacional
Condition-based maintenance
Confiabilidade
Diagnosis
Diagnóstico
Machine learning
Manutenção baseada em condição
Prognosis
Prognóstico
Reliability
topic Aprendizado computacional
Condition-based maintenance
Confiabilidade
Diagnosis
Diagnóstico
Machine learning
Manutenção baseada em condição
Prognosis
Prognóstico
Reliability
description O diagnóstico de falhas representa uma tarefa importante de equipes de manutenção operacional, tendo como foco a tarefa de identificar as causas de problemas em equipamentos que possam levar a desvios no comportamento esperado, bem como à redução da eficiência prevista. A aplicação de técnicas de detecção e diagnóstico associadas a métodos preditivos, comumente conhecida por prognóstico, possibilita um planejamento mais preciso e adequado para tratar eventos inesperados que possam colocar em risco o funcionamento do sistema sob estudo. Por meio de uma identificação antecipada e detalhada de possíveis causas e ameaças, as equipes de manutenção podem se mobilizar de forma mais apropriada, planejada e assertiva, para tratar situações indesejadas, antes que elas realmente ocorram, favorecendo uma maior confiabilidade do sistema e, consequentemente, evitando interrupções inesperadas do serviço, reduzindo a possibilidade de perdas materiais e humanas. Diversas técnicas têm sido sugeridas na literatura para endereçar questões sobre prognósticos de falhas, com grande destaque para os métodos baseados em deep learning. Tais métodos são considerados como possuindo características denominadas \"caixa-preta\", por não proverem meios que expliquem os resultados obtidos, dificultando a adoção de decisões embasadas e confiáveis. Dessa forma, esta pesquisa propõe um método não supervisionado para diagnóstico e prognóstico de falhas, tendo como base técnicas de deep learning, que propiciem meios para atestare contribuir para robustez dos resultados obtidos, promovendo maior confiança e assertividade na previsão e identificação de possíveis problemas. No estudo de caso são consideradas medições físicas reais de parâmetros de rodas e rolamentos de vagões ferroviários de transporte de carga pesada, capturadas a partir de múltiplos sensores de via acopladas em pontos específicos de uma estrada de ferro no Brasil. São propostos meios que enderecem restrições na modelagem com dados e que atestem a razoabilidade das predições realizadas.
publishDate 2020
dc.date.none.fl_str_mv 2020-12-07
dc.type.status.fl_str_mv info:eu-repo/semantics/publishedVersion
dc.type.driver.fl_str_mv info:eu-repo/semantics/masterThesis
format masterThesis
status_str publishedVersion
dc.identifier.uri.fl_str_mv https://www.teses.usp.br/teses/disponiveis/3/3141/tde-08032021-102116/
url https://www.teses.usp.br/teses/disponiveis/3/3141/tde-08032021-102116/
dc.language.iso.fl_str_mv por
language por
dc.relation.none.fl_str_mv
dc.rights.driver.fl_str_mv Liberar o conteúdo para acesso público.
info:eu-repo/semantics/openAccess
rights_invalid_str_mv Liberar o conteúdo para acesso público.
eu_rights_str_mv openAccess
dc.format.none.fl_str_mv application/pdf
dc.coverage.none.fl_str_mv
dc.publisher.none.fl_str_mv Biblioteca Digitais de Teses e Dissertações da USP
publisher.none.fl_str_mv Biblioteca Digitais de Teses e Dissertações da USP
dc.source.none.fl_str_mv
reponame:Biblioteca Digital de Teses e Dissertações da USP
instname:Universidade de São Paulo (USP)
instacron:USP
instname_str Universidade de São Paulo (USP)
instacron_str USP
institution USP
reponame_str Biblioteca Digital de Teses e Dissertações da USP
collection Biblioteca Digital de Teses e Dissertações da USP
repository.name.fl_str_mv Biblioteca Digital de Teses e Dissertações da USP - Universidade de São Paulo (USP)
repository.mail.fl_str_mv virginia@if.usp.br|| atendimento@aguia.usp.br||virginia@if.usp.br
_version_ 1815256495897444352

Registros relacionados