Extração de características representativas para o desenvolvimento de sensores virtuais industriais: uma abordagem baseada em aprendizado profundo

• Ano de defesa: 2021
• Autor(a) principal: Lima, Jean Mário Moreira de
• Orientador(a): Araújo, Fábio Meneghetti Ugulino de
• Tipo de documento: Tese
• 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: Aprendizado profundo; Aprendizado semi-supervisionado; Soft sensors; Autoencoders; LSTM; Informação mútua
• Link de acesso: https://repositorio.ufrn.br/handle/123456789/44630

O aprendizado profundo vem sendo utilizado cada vez mais nos problemas de modelagem de sensores virtuais, os soft sensors, aplicados a processos industriais de nãolinearidade acentuada. Sensores virtuais têm a capacidade de gerar estimativas de variáveis de processo, que normalmente estão associadas a índices de qualidade, em tempo real. Assim, tais sensores apresentam-se como uma alternativa viável quando as variáveis de interesse são de difícil medição devido a algum fator limitante: indisponibilidade de sensores físicos ou grandes intervalos de medição. Estratégias tradicionais de aprendizado de máquina encontram dificuldades para modelar tais sensores. Normalmente, processos industriais são altamente não-lineares e a quantidade de dados rotulados disponíveis é escassa. Devido a isso, a extração de características representativas presente na quantidade abundante de dados não rotulados tem se tornado uma área de interesse no desenvolvimento de sensores virtuais. A partir das premissas citadas, uma nova técnica de modelagem de sensores virtuais, baseada em aprendizado profundo e de representação, que integra autoencoders empilhados (Stacked AutoEncoders - SAE), informação mútua (Mutual Information - MI), memória longa de curto prazo (Long Short-Term Memory - LSTM) e agregação bootstrap, é proposta. Primeiramente, no estágio não supervisionado, a estrutura SAE é treinada hierarquicamente camada-a-camada. Em seguida, logo após o treinamento de uma camada, a análise MI é conduzida entre as saídas-alvo do modelo e as representações da camada atual com objetivo de avaliar as características aprendidas. Neste sentido, o método proposto remove as informações irrelevantes e pondera as retidas de tal maneira que os pesos sejam proporcionais à relevância da representação. Além disso, esta abordagem é capaz de extrair informações representativas profundas. Na etapa supervisionada, por sua vez, chamada de ajuste fino, uma estrutura LSTM é acoplada à cauda da estrutura SAE para fazer face ao comportamento dinâmico intrínseco dos sistemas industriais avaliados. Por fim, uma estratégia de ensemble, chamada de agregação bootstrap, combina os modelos obtidos na fase do treinamento supervisionado com o propósito de melhorar a desempenho e a credibilidade do sensor virtual. Assim, para avaliar a performance dos modelos gerados pela técnica proposta, utilizam-se dois processos não-lineares industriais, amplamente usados para fins de análises comparativas na implementação de sensores virtuais. Os resultados mostram que os sensores virtuais propostos obtiveram desempenho de predição melhor que métodos tradicionais e diversos métodos estado-da-arte.