Uma nova abordagem para classificação de falhas
baseada em árvores de decisão induzidas por programação genética
Palavras-chave:
Detecção de Falhas, Diagnóstico de Falhas, Árvores de Decisão, Programação Genética, Séries Temporais, Abordagem Fuzzy/BayesianaResumo
Este estudo apresenta uma metodologia em duas etapas para Detecção e Diagnóstico de Falhas (FDD). Na primeira etapa, aborda-se a detecção de pontos de mudança em séries temporais, utilizando uma abordagem fuzzy/Bayesiana para tratar o problema como detecção de falhas. A probabilidade resultante de mudança é então aplicada na segunda etapa, o diagnóstico de falhas, que emprega uma abordagem baseada em árvores de decisão induzidas por programação genética. Este estudo aprimora o modelo original de árvore de decisão para lidar com problemas multiclasse, incorporando uma estratégia que envolve a evolução simultânea de múltiplas populações paralelas. A avaliação do framework proposto para FDD foi conduzida no benchmark Tennessee Eastman, comparando seu desempenho com métodos convencionais como PCA e SVM. A metodologia proposta superou os métodos Análise de Componentes Principais (PCA) e Máquina de Vetores de Suporte (SVM), ressaltando a versatilidade e superioridade da abordagem proposta na classificação de falhas em cenários complexos.
Downloads
Referências
C. Jing e J. Hou. “SVM and PCA based fault classification approaches for complicated industrial process”. Em: Neurocomputing 167 (2015), pp. 636–642.
M. F. S. V. D’Angelo, R. M. Palhares, R. H. C. Takahashi, R. H. Loschi, L. M. R. Baccarini e W. M. Caminhas. “Incipient fault detection in induction machine stator-winding using a fuzzy-Bayesian change point detection approach”. Em: Applied Soft Computing 11(1) (2011), pp. 179–192.
J. Downs e E. Vogel. “A plant-wide industrial process control problem”. Em: Computers & Chemical Engineering 17(3) (1993), pp. 245–255.
L. I. Santos, M. O. Camargos, M. F. S. V. D’Angelo, J. B. Mendes, E. E. C. de Medeiros, A. L. S. Guimarães e R. M. Palhares. “Decision tree and artificial immune systems for stroke prediction in imbalanced data”. Em: Expert Systems with Applications 191 (2022), p. 116221.
