Please use this identifier to cite or link to this item: https://repositorio.ufu.br/handle/123456789/31360
ORCID:  http://orcid.org/0000-0002-8183-7034
Document type: Tese
Access type: Acesso Aberto
Title: Inteligência artificial aplicada à detecção e diagnóstico de falhas em processos químicos
Alternate title (s): Artificial intelligence aplicated to detection and diagnóstica of faults in chemical processes
Author: Granzotto, Matheus Henrique
First Advisor: Lopes, Luís Cláudio Oliveira
First member of the Committee: Henrique, Humberto Molinar
Second member of the Committee: Gedraite, Rubens
Third member of the Committee: Morais, Josue Silva de
Fourth member of the Committee: Costa, Thiago Vaz da
Fifth member of the Committee: Souza Júnior, Maurício Bezerra de
Summary: Métodos de detecção de falhas são utilizados para detectar operações anormais em processos químicos provocadas por perturbações, degradação de equipamentos, defeitos nos sensores e nos equipamentos. Esses métodos podem ser baseados em: análise de resíduos, redundância analítica ou redundância física. Os métodos com redundância analítica estão entre os mais utilizados industrialmente. A redundância analítica pode ser obtida de três formas: através do modelo matemático analítico, do modelo de identificação ou inteligência artificial por aprendizado de máquina. Os métodos de detecção de falhas utilizando inteligência artificial têm sido cada vez mais presentes na literatura na última década. Os métodos que utilizam redes neuronais, lógica difusa e máquinas de vetores de suporte, são técnicas de detecção de falhas com larga utilidade e confiabilidade. O procedimento de detecção é feito em três etapas: treinamento do modelo de detecção, com a utilização de dados históricos do processo, normais e anormais; validação do modelo; e detecção de padrões de falhas. Atualmente, a extração automática de características relevantes ao procedimento de detecção e classificação de padrões de operações anormais ao processo tem se mostrado uma tendência dentro do âmbito da detecção de falhas. O presente trabalho consiste no estudo e análise dos métodos de detecção de falhas baseados em aprendizagem de máquina (redes neuronais, lógica difusa e máquinas de vetores de suporte) e a síntese de novos métodos de detecção de falhas baseado em aprendizado profundo. Aprendizado profundo (deep learning) compreende abordagem inovadora em aprendizado de máquina no sentido de dispensar parte do pré-processamento necessário aos métodos clássicos de detecção de falhas. Isto ocorre ao gerar de forma automática propriedades invariantes nas suas camadas de representação hierárquicas. Estes métodos têm apresentado resultados promissores em diferentes aplicações tais como o reconhecimento de voz e processamento de linguagem natural. Os algoritmos de aprendizado profundo podem solucionar problemas encontrados em metodologias de detecção de falhas, principalmente, na extração de propriedades e pré-processamento de dados. Os resultados obtidos pela metodologia proposta de redes neuronais linguísticas apontam que métodos de detecção de falhas com aprendizado podem ser facilmente aplicados nos mais diferentes processos, somente com a utilização de dados históricos e/ou modelos do processo, resultando em detecções compatíveis com os outros métodos estudados.
Abstract: Fault detection methods are used to detect abnormal operations in processes caused by disturbances, equipment degradation, defects in sensors and equipment. These methods can be based on residue analysis, analytical redundancy, or physical redundancy. The methods with analytical redundancy are among the most industrially used approaches. The analytical redundancy in processes can be obtained through analytical mathematical models of the process through the identification of models or artificial intelligence through machine learning. Failure detection methods through artificial intelligence have been increasingly studied in the literature in the last decade. The methods that use neural networks, fuzzy logic and support vector machines are fault detection techniques with high usability and reliability. The detection procedure is done in three steps: model training for detection, using normal and abnormal process data; validation of the model; and fault pattern detection. Currently, one of the paradigms in the area of fault detection is the extraction of important characteristics to the procedure of detection and patterns classification of process abnormal operations. The present work investigates these methods of fault detection based on machine learning and proposes a new method based on deep learning. Deep learning is an innovative approach to machine learning in order to dispense part of the necessary preprocessing of classic machine learning methods by automatically generating invariant properties in its hierarchical representation layers. These methods have presented promissing results in different applications such as speech recognition and natural language processing. Deep-learning algorithms can solve problems found in fault-detection methodologies, especially in the extraction of properties and preprocessing of data. The results obtained by the proposed technique linguistics neural network show that learning failure detection methods can be easily applied in different processes, only with the use of historical data and/or process models, resulting compatible detections with other studied methodologies.
Keywords: Detecção de falhas
Fault detection
Controle de processos químicos
Process control
Inteligência artificial
Artificial intelligence
Máquinas de vetores de suporte
Support vector machine
Redes neuronais artificiais
Neural nets
Lógica difusa
Fuzzy logic
Aprendizado profundo
Deep learning
Redes neuronais linguísticas
Linguistics neural networks
Area (s) of CNPq: CNPQ::ENGENHARIAS::ENGENHARIA QUIMICA
Subject: Engenharia química
Language: por
Country: Brasil
Publisher: Universidade Federal de Uberlândia
Program: Programa de Pós-graduação em Engenharia Química
Quote: GRANZOTTO, Matheus Henrique. Inteligência artificial aplicada à detecção e diagnóstico de falhas em processos químicos. 2020. 407 f. Tese (Doutorado em Engenharia Química) - Universidade Federal de Uberlândia, Uberlândia, 2021. Disponível em: http://doi.org/10.14393/ufu.te.2020.3005
Document identifier: http://doi.org/10.14393/ufu.te.2020.3005
URI: https://repositorio.ufu.br/handle/123456789/31360
Date of defense: 1-May-2020
Appears in Collections:TESE - Engenharia Química

Files in This Item:
File Description SizeFormat 
InteligênciaArtificialAplicada.pdf117.6 MBAdobe PDFThumbnail
View/Open


Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.