Redes neurais e support vector machines como técnicas de diagnósticos em medições industriais de nível por tecnologia tipo radar sem contato e apoio à decisão para a melhoria de sua aplicação

Detalhes bibliográficos
Autor(a) principal: Borg, Denis
Data de Publicação: 2016
Tipo de documento: Tese
Idioma: por
Título da fonte: Biblioteca Digital de Teses e Dissertações da USP
Texto Completo: http://www.teses.usp.br/teses/disponiveis/18/18153/tde-17022017-105129/
Resumo: O objetivo dessa tese é detectar e classificar problemas de medição de nível por princípio de radar de propagação de onda livre por meio de RNA (redes neurais artificiais) e SVM (support vector machines) aliados à tratamentos estatísticos. Um primeiro cenário com ambiente controlado foi montado para a obtenção de dados preliminares. Na sequência, outros três cenários empregaram dados industriais reais. Para tanto, algumas topologias de redes neurais em quatro cenários diferentes foram testadas e foi possível demonstrar o funcionamento eficiente da RNA com acertos de 100% para o primeiro cenário, 93,51% para o segundo, 99,75% para o terceiro e de 99,94% para o quarto cenário. Para esses mesmos quatro cenários, os resultados de classificação do SVM foram de 100%, 84,41%, 93,74% e de 96,40%. Os resultados obtidos demonstram que a técnica desenvolvida pode ser aplicada à cenários reais de medição de nível. Após a classificação dos problemas pela RNA ou SVM é recomendada a utilização de alguns dos ícones baseados na norma internacional NAMUR NE107 para reportar as diferentes classificações de problemas resultantes da aplicação das técnicas dessa tese. Propõe-se que essas técnicas sejam embarcadas em aplicativos computacionais de gerenciamento de ativos para melhorar a confiabilidade da medição, antecipar rotinas de manutenção dos instrumentos e aumentar a segurança da planta industrial através de reportes adequados aos usuários dos problemas de medição de nível e do mapeamento das fases do processo.
id USP_ce0ee44598cc3dce5504657d94527324
oai_identifier_str oai:teses.usp.br:tde-17022017-105129
network_acronym_str USP
network_name_str Biblioteca Digital de Teses e Dissertações da USP
repository_id_str 2721
spelling Redes neurais e support vector machines como técnicas de diagnósticos em medições industriais de nível por tecnologia tipo radar sem contato e apoio à decisão para a melhoria de sua aplicaçãoNeural networks and support vector machines as diagnosing tool for industrial level measurement through non-contacting radar type and support to the decision for its better applicationDiagnósticosDiagnosticsLevel measurementMedição de nívelNeural networksRadaresRadarsRedes neuraisSVMSVMO objetivo dessa tese é detectar e classificar problemas de medição de nível por princípio de radar de propagação de onda livre por meio de RNA (redes neurais artificiais) e SVM (support vector machines) aliados à tratamentos estatísticos. Um primeiro cenário com ambiente controlado foi montado para a obtenção de dados preliminares. Na sequência, outros três cenários empregaram dados industriais reais. Para tanto, algumas topologias de redes neurais em quatro cenários diferentes foram testadas e foi possível demonstrar o funcionamento eficiente da RNA com acertos de 100% para o primeiro cenário, 93,51% para o segundo, 99,75% para o terceiro e de 99,94% para o quarto cenário. Para esses mesmos quatro cenários, os resultados de classificação do SVM foram de 100%, 84,41%, 93,74% e de 96,40%. Os resultados obtidos demonstram que a técnica desenvolvida pode ser aplicada à cenários reais de medição de nível. Após a classificação dos problemas pela RNA ou SVM é recomendada a utilização de alguns dos ícones baseados na norma internacional NAMUR NE107 para reportar as diferentes classificações de problemas resultantes da aplicação das técnicas dessa tese. Propõe-se que essas técnicas sejam embarcadas em aplicativos computacionais de gerenciamento de ativos para melhorar a confiabilidade da medição, antecipar rotinas de manutenção dos instrumentos e aumentar a segurança da planta industrial através de reportes adequados aos usuários dos problemas de medição de nível e do mapeamento das fases do processo.The aim of this Thesis is to detect and classify level measurement problems by free wave propagation radars using ANN (artificial neural network) and SVM (support vector machines) with statistical pre-processing data. In the first scenario, a controlled environment was build in order to get the preliminary data. In addition, three other scenarios with real industry data was considered. Therefore, some topologies of neural networks and SVM in four different scenarios were tested and it was demonstrated the efficiency of ANN to reach an accuracy rate of 100% for the first scenario, 93.51% for the second, 99.75% for third and 99.94% for the fourth scenario. For these same four scenarios, the results of SVM classification were 100%, 84.41%, 93.74% and 96.40%. After classifying the problems by ANN or SVM, it is recommended to use some of the icons following the international standard NAMUR NE107 to report the different classifications of problems within this thesis. It is proposed that these techniques be embedded in asset management environment to improve the reliability of level measurement, antecipate maintenance routines and improve plant safety through adequately reporting the classified problems and mapping stage of the process to the users.Biblioteca Digitais de Teses e Dissertações da USPBrandão, DennisBorg, Denis2016-12-02info:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/doctoralThesisapplication/pdfhttp://www.teses.usp.br/teses/disponiveis/18/18153/tde-17022017-105129/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/openAccesspor2018-07-19T15:44:41Zoai:teses.usp.br:tde-17022017-105129Biblioteca 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:27212018-07-19T15:44:41Biblioteca Digital de Teses e Dissertações da USP - Universidade de São Paulo (USP)false
dc.title.none.fl_str_mv Redes neurais e support vector machines como técnicas de diagnósticos em medições industriais de nível por tecnologia tipo radar sem contato e apoio à decisão para a melhoria de sua aplicação
Neural networks and support vector machines as diagnosing tool for industrial level measurement through non-contacting radar type and support to the decision for its better application
title Redes neurais e support vector machines como técnicas de diagnósticos em medições industriais de nível por tecnologia tipo radar sem contato e apoio à decisão para a melhoria de sua aplicação
spellingShingle Redes neurais e support vector machines como técnicas de diagnósticos em medições industriais de nível por tecnologia tipo radar sem contato e apoio à decisão para a melhoria de sua aplicação
Borg, Denis
Diagnósticos
Diagnostics
Level measurement
Medição de nível
Neural networks
Radares
Radars
Redes neurais
SVM
SVM
title_short Redes neurais e support vector machines como técnicas de diagnósticos em medições industriais de nível por tecnologia tipo radar sem contato e apoio à decisão para a melhoria de sua aplicação
title_full Redes neurais e support vector machines como técnicas de diagnósticos em medições industriais de nível por tecnologia tipo radar sem contato e apoio à decisão para a melhoria de sua aplicação
title_fullStr Redes neurais e support vector machines como técnicas de diagnósticos em medições industriais de nível por tecnologia tipo radar sem contato e apoio à decisão para a melhoria de sua aplicação
title_full_unstemmed Redes neurais e support vector machines como técnicas de diagnósticos em medições industriais de nível por tecnologia tipo radar sem contato e apoio à decisão para a melhoria de sua aplicação
title_sort Redes neurais e support vector machines como técnicas de diagnósticos em medições industriais de nível por tecnologia tipo radar sem contato e apoio à decisão para a melhoria de sua aplicação
author Borg, Denis
author_facet Borg, Denis
author_role author
dc.contributor.none.fl_str_mv Brandão, Dennis
dc.contributor.author.fl_str_mv Borg, Denis
dc.subject.por.fl_str_mv Diagnósticos
Diagnostics
Level measurement
Medição de nível
Neural networks
Radares
Radars
Redes neurais
SVM
SVM
topic Diagnósticos
Diagnostics
Level measurement
Medição de nível
Neural networks
Radares
Radars
Redes neurais
SVM
SVM
description O objetivo dessa tese é detectar e classificar problemas de medição de nível por princípio de radar de propagação de onda livre por meio de RNA (redes neurais artificiais) e SVM (support vector machines) aliados à tratamentos estatísticos. Um primeiro cenário com ambiente controlado foi montado para a obtenção de dados preliminares. Na sequência, outros três cenários empregaram dados industriais reais. Para tanto, algumas topologias de redes neurais em quatro cenários diferentes foram testadas e foi possível demonstrar o funcionamento eficiente da RNA com acertos de 100% para o primeiro cenário, 93,51% para o segundo, 99,75% para o terceiro e de 99,94% para o quarto cenário. Para esses mesmos quatro cenários, os resultados de classificação do SVM foram de 100%, 84,41%, 93,74% e de 96,40%. Os resultados obtidos demonstram que a técnica desenvolvida pode ser aplicada à cenários reais de medição de nível. Após a classificação dos problemas pela RNA ou SVM é recomendada a utilização de alguns dos ícones baseados na norma internacional NAMUR NE107 para reportar as diferentes classificações de problemas resultantes da aplicação das técnicas dessa tese. Propõe-se que essas técnicas sejam embarcadas em aplicativos computacionais de gerenciamento de ativos para melhorar a confiabilidade da medição, antecipar rotinas de manutenção dos instrumentos e aumentar a segurança da planta industrial através de reportes adequados aos usuários dos problemas de medição de nível e do mapeamento das fases do processo.
publishDate 2016
dc.date.none.fl_str_mv 2016-12-02
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://www.teses.usp.br/teses/disponiveis/18/18153/tde-17022017-105129/
url http://www.teses.usp.br/teses/disponiveis/18/18153/tde-17022017-105129/
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_ 1815257091390046208

Registros relacionados