APLICAÇÃO DE MACHINE LEARNING A DETECÇÃO E DIAGNÓSTICO DE FALHAS EM PROCESSO QUÍMICO

APLICAÇÃO DE MACHINE LEARNING A DETECÇÃO E DIAGNÓSTICO DE FALHAS EM PROCESSO QUÍMICO

ROJAS SOARES , F. D; DE SOUZA Jr, M. B

Pôster:

Uutilizamos novos métodos de Machine Learning (ML) (redes neuronaisrecorrentes, simples e gated e redes de convolução 2D) e comparamos sua eficiênciacom métodos lineares tradicionais (análise de componentes principais e dodiscriminante de Fischer dinâmico) para investigação de eficiência na detecção ediagnóstico de falhas em um benchmark de planta completa. Um grande volume dedados foi empregado para simular um contexto “big data” industrial. Os resultadospara as técnicas de ML foram superiores aos das lineares, com uma melhora de até 8% em acurácia, porém o treinamento foi complexo e computacionalmente custoso. 

Uutilizamos novos métodos de Machine Learning (ML) (redes neuronaisrecorrentes, simples e gated e redes de convolução 2D) e comparamos sua eficiênciacom métodos lineares tradicionais (análise de componentes principais e dodiscriminante de Fischer dinâmico) para investigação de eficiência na detecção ediagnóstico de falhas em um benchmark de planta completa. Um grande volume dedados foi empregado para simular um contexto “big data” industrial. Os resultadospara as técnicas de ML foram superiores aos das lineares, com uma melhora de até 8% em acurácia, porém o treinamento foi complexo e computacionalmente custoso. 

Palavras-chave:

DOI: 10.5151/cobeq2018-PT.0322

Referências bibliográficas

• [1] CHOLLET, F. et al.; Keras, GitHub, https://github.com/fchollet/keras, 2015. Acessado janeiro de 2017. CHUNG, J; GULCEHRE, C, CHO, K, BENGIO, Y; Empirical Evaluation of Gated Recurrent Neural Networks on Sequence Modeling, arXiv:1412.3555 [cs.NE], 2014. DOWNS, J. J.; VOGEL, E. F. ; A plant-wide industrial process problem, Computers &Chemical engineering. Vol. 17, No. 3, pp. 245-255, 1993. LARSSON, T. Studies on plantwide control. Tese submetida para o título de doutor em engenharia Department of Chemical Engineering. Norwegian University of Science and Technology, 2000 LECUN Y,; BENGIO, Y; HINTON, G; Deep Learning, doi:10.1038/nature14539, Nature, 2015. ROJAS SOARES, F. D., Técnicas de Machine Learning Aplicadas a Inferência e Detecção e Diagnóstico de Falhas de Processos Químicos Industriais em Contexto Big Data, Dissertação de Mestrado, EPQB, UFRJ, 2017. YIN, S.; LI, X.; GAO, H.; KAYNAK, O. Data-Based Techniques Focused on Modern Industry: An Overview, IEEE transactions on industrial electronics, vol. 62, no. 1, January, 2015. ZIMMERMANM, H.-G.; TIETZ, C.; GROTHMANN, R.; Forecasting with Recurrent Neural Networks: 12 Tricks, G. Montavon, G. B. Orr, and K.-R. Müller (eds.) Neural Networks: Tricks of the Trade, 2nd ed. Springer LNCS 7700, 659-686, 2012.

Como citar:

ROJAS SOARES , F. D; DE SOUZA Jr, M. B; "APLICAÇÃO DE MACHINE LEARNING A DETECÇÃO E DIAGNÓSTICO DE FALHAS EM PROCESSO QUÍMICO", p-1213-1216. In: . São Paulo: Blucher, 2018.
ISSN 23591757, DOI 10.5151/cobeq2018-PT.0322