Fault detection and classification of industrial processes using lSTM neural networks with data compression techniques

• Ano de defesa: 2021
• Autor(a) principal: Correia, Paulo Victor Queiroz
• Orientador(a): Oliveira, Luiz Affonso Henderson Guedes de
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Universidade Federal do Rio Grande do Norte
• Programa de Pós-Graduação: PROGRAMA DE PÓS-GRADUAÇÃO EM ENGENHARIA ELÉTRICA E DE COMPUTAÇÃO
• País: Brasil
• Palavras-chave em Português: Indústria 4.0; Detecção e identificação de falhas; Symbolic Aggregate Approximation; Long Short-Term Memory; Computação de ponta; Compressão por podagem; Tennessee Eastman Process
• Link de acesso: https://repositorio.ufrn.br/handle/123456789/43116

A Indústria 4.0 mudou completamente o paradigma de monitoramento e controle de processos industriais. Foram instalados sensores em diversas partes da planta, conectando os processos com a Internet das Coisas e a Computação na nuvem. Todavia, a geração de dados cresceu vertiginosamente, demandando que engenheiros construam ambientes apropriados para o processamento de todos esses dados. Esse crescimento aumentou o consumo de energia e a complexidade computacional, que podem acentuar a degradação ambiental e as perdas econômicas. De forma a atender a essas demandas, esta dissertação propõe metodologias eficientes para Detecção e Identificação de Falhas nos processos industriais. O primeiro consiste em comprimir as variáveis de processo utilizando o algoritmo Symbolic Aggregate Approximation (SAX) com o objetivo de reduzir a carga em data warehouses. Em seguida, treinamos uma rede neural Long Short-Term Memory (LSTM) para a detecção de falhas industriais nesses dados comprimidos. Finalmente, a segunda metodologia é endereçada para sistemas de computação de ponta eficientes, comprimindo redes neurais LSTM com a técnica de podagem. A compressão dos modelos de detecção reduz o uso de memória e o número de operações realizados, economizando energia e acelerando a velocidade de inferência dessas redes em sistemas de ponta. Para avaliar ambas as propostas, utilizamos o benchmark Tennessee Eastman Process (TEP) com as métricas de classificação de acurácia, precisão, sensibilidade e F1-Score. Também analisamos a eficiência de compressão de ambas as metodologias, estudando sua viabilidade e redução de parâmetros nas redes LSTM.