Detalhes bibliográficos
| Ano de defesa: |
2018 |
| Autor(a) principal: |
ALMEIDA, Diogo Medeiros de |
| Orientador(a): |
CUNHA, Daniel Carvalho da |
| Banca de defesa: |
Não Informado pela instituição |
| Tipo de documento: |
Dissertação
|
| Tipo de acesso: |
Acesso aberto |
| Idioma: |
por |
| Instituição de defesa: |
Universidade Federal de Pernambuco
|
| Programa de Pós-Graduação: |
Programa de Pos Graduacao em Ciencia da Computacao
|
| Departamento: |
Não Informado pela instituição
|
| País: |
Brasil
|
| Palavras-chave em Português: |
|
| Link de acesso: |
https://repositorio.ufpe.br/handle/123456789/32682
|
Resumo: |
Uma característica desejada dos sistemas de diagnóstico automotivo é fazer previsões de falhas para evitar problemas inesperadas no veículo, minimizar os custos de reparo e assegurar um automóvel mais seguro aos motoristas. Para prognosticar falhas automotivas é necessário um sistema que inicialmente seja capaz de prever dados automotivos para posteriormente avaliar com um classificador se o dado do preditor é um evento anormal ou não. Com base nisso, o objetivo deste trabalho é realizar um estudo sobre o preditor desse sistema a partir da análise de modelos híbridos inteligentes de séries temporais para prever dados em tempo real de três sensores veiculares: temperatura do líquido de arrefecimento do motor, relação Ar-Combustível (A/C) na combustão interna do motor e tensão da bateria do automóvel. Os resultados mostraram que, em geral, combinar previsores da série temporal com previsores dos resíduos é uma abordagem que merece atenção e deve ser considerada no contexto dos dados automotivos. Além disso, a combinação alternativa de modelos não lineares para a série com modelos lineares para os resíduos sugere uma proposta a ser investigada em outras aplicações. |
