Título: Extração e seleção de características em múltiplos classificadores locais para diagnóstico de falhas em processos industriais
Autores: Santi, Gustavo;Rebli, Victor;Ciarelli, Patrick;Munaro, Celso;Rauber, Thomas
Resumo:
Diversos métodos têm sido desenvolvidos ao longo dos anos para monitorar e detectar falhas em processos industriais, sendo uma delas o uso de um classificador com um conjunto de caracterésticas para realizar o diagnóstico das falhas. No entanto, o uso de um único classificador para várias falhas pode tornar a tarefa mais complexa e reduzir acurácia. Neste artigo é proposta uma abordagem que, ao invés de treinar um único classificador, utiliza previamente um processo não supervisionado para agrupar as falhas e em seguida é utilizado um classificador para cada grupo de falhas, diminuindo a complexidade dos classificadores e aumentando a acurácia. Para melhorar a qualidade dos resultados, são selecionadas, para cada grupo, as características com maior poder de discriminação entre as falhas. Um estudo de caso é realizado através de simulações sobre um simulador benchmark da literatura e os resultados obtidos indicam que a proposta é promissora para rotular e diagnosticar corretamente as falhas.
Palavras-chave:
Diagnóstico; seleção de características; aprendizagem de máquinas
Páginas: 12
Código DOI: 10.21528/CBIC2017-63
Artigo em pdf: cbic-paper-63.pdf
Arquivo BibTeX: cbic-paper-63.bib