Detecção de falhas em máquinas e processos a partir de séries temporais multivariadas de sensores

• Ano de defesa: 2023
• Autor(a) principal: Moura, Ranier Alexsander Arruda
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso embargado
• Idioma: por
• Instituição de defesa: Universidade Estadual do Ceará
• Link de acesso: https://siduece.uece.br/siduece/trabalhoAcademicoPublico.jsf?id=110116

Técnicas de monitoramento e de detecção de falhas em séries temporais multivariadas estão cada vez mais sendo utilizadas em máquinas e em processos industriais, uma vez que condições faltosas de funcionamento podem gerar custos de manutenção corretiva, riscos de segurança e perda de confiabilidade. Este monitoramento se dá da seguinte forma: sensores adequadamente instalados geram, de maneira periódica, séries temporais multivariadas, em seguida, estas séries são processadas e informações sobre o estado de funcionamento são computadas para, a partir disso, as falhas ou anomalias serem detectadas. Essa dissertação compara quatro abordagens aplicadas neste cenário: Projeção de Matriz de Informação Mútua baseada na entropia de Shannon - PMIM de Shannon, Projeção de Matriz de Informação Mútua baseada na entropia de Rényi - PMIM de Rényi, Análise de Componentes Principais - PCA e Mínimos Quadrados Parciais - PLS. As métricas de desempenho utilizadas são a taxa de alarme falso e a taxa de detecção de falha. A primeira é a porcentagem de amostras em condições normais de operação que foram identificadas como faltosas e, a segunda, a probabilidade que o alarme de detecção de falha seja acionado quando a falha realmente ocorre. Dentre as técnicas mencionadas e considerando as métricas, A PMIM de Rényi obteve o melhor desempenho. Em segundo e terceiro lugar ficaram as técnicas PCA e PLS, respectivamente, e em último, a PMIM de Shannon.