DECAT - Departamento de Controle e Automação
URI permanente desta comunidadehttp://www.hml.repositorio.ufop.br/handle/123456789/490
Navegar
11 resultados
Resultados da Pesquisa
Item Sistema híbrido com agregação de análise de sentimentos e séries temporais nebulosas para previsão de preços de minério de ferro.(2023) Souza, Flavio Mauricio da Cunha; Pessin, Gustavo; Rocha Filho, Geraldo Pereira; Guimarães, Frederico Gadelha; Pessin, Gustavo; Rocha Filho, Geraldo Pereira; Guimarães, Frederico Gadelha; Bianchi, Andrea Gomes Campos; Valejo, Alan Demétrius BariaO preço global do minério de ferro é determinado por um número elevado de parâmetros efetivos e uma relação complexa entre eles. A soma das expectativas dos participantes deste mercado como um todo, ao longo do tempo, definem variações e tendências numa série temporal de preços. Desenvolver um modelo de previsão confiável para a volatilidade do preço do minério de ferro e, por consequência, demais ativos ligados à esta commodity, que analise o mercado de forma ampla, não é uma tarefa trivial e é fundamental na definição de investimentos futuros e decisões para projetos de mineração em empresas relacionadas. Este trabalho avalia um sistema preditivo híbrido, que utiliza um índice obtido a partir da agregação de sentimentos extraídos de resumos de notícias relacionadas ao minério de ferro, baseado em conjuntos nebulosos hesitantes, e o número de notícias como variáveis exógenas para um modelo multivariado Weighted Multivariate Fuzzy Time Series (WMVFTS). Neste contexto, a aplicação do índice de Agregação de Análise de Sentimentos com Conjuntos Nebulosos Hesitantes para Previsão de Preços de Minério de Ferro combina métodos de aprendizado de máquina que abrangem tanto análises técnicas quanto fundamentais, obtendo resultados significativos para suporte à decisão especializada em ativos de minério de ferro. Os resultados indicam a viabilidade de utilização das variáveis propostas em um conjunto de variáveis exógenas do WMVFTS com precisão superior a 80% na previsão de tendências e oscilações da variável de referência.Item Desenvolvimento de uma solução embarcada para identificação de falhas em sistemas UPS (Uninterruptible Power Supply) por meio de aprendizado de máquina.(2023) Andrade, Patrick Rafael Portes; Pessin, Gustavo; Pessin, Gustavo; Coelho, Bruno Nazário; Rocha Filho, Geraldo PereiraSistemas que utilizam algoritmos de Machine Learning (ML) para classificação e predição de informações são cada vez mais comuns na indústria. Relatórios que unem inteligência analítica e big data são capazes de prover insights preciosos sobre comportamentos de clientes, tendências de mercado e oportunidades de negócio, contudo, o uso de IA embarcado no chão de fábrica ainda é reduzido. Com avanço do poder de processamento de microcontroladores e utilização de técnicas de otimização de algoritmos de ML, surgiram algumas bibliotecas dedicadas para embarcar modelos de ML em placas microcontroladas de baixo custo. O sistema UPS é de extrema importância para o Sistema Elétrico de Potência (SEP), uma vez que é o responsável por garantir monitoramento e comando no caso da falta de tensão primária. O retificador trifásico é a parte mais sensível do sistema UPS e é o mais susceptível a falhas. Os retificadores atuais possuem um sistema de alarmes para indicar falhas, todavia esses alarmes, na maioria das vezes, vêm de forma tardia, quando o equipamento parou de funcionar. Esse trabalho propõe o desenvolvimento de uma solução embarcada utilizando a placa Arduino Nano 33 BLE Sense e algoritmos de ML para identificação de falhas em sistemas UPS através do processamento do som emitido por esses equipamentos. Foram obtidos resultados com acurácia de 99,74% para identificação de retificadores com defeito.Item Algoritmo aco rank based aprimorado para uso na seleção de variáveis em modelos de classificação.(2023) Delamora, Roberto Alexandre; Coelho, Bruno Nazário; Sabino, Jodelson Aguilar; Coelho, Bruno Nazário; Sabino, Jodelson Aguilar; Souza, Marcone Jamilson Freitas; Haddad, Matheus NohraSeleção de atributos é um processo onde se busca o melhor subconjunto de variáveis em um determinado conjunto de dados. Em um mundo em que as decisões são cada vez mais baseadas em dados, torna-se essencial o uso de ferramentas que realizem, de forma mais eficiente, essa seleção de variáveis, visando melhorar o desempenho final dos modelos. Neste trabalho, é utilizado como referência o algoritmo pertencente à meta-heurística de otimização por colônia de formigas (ACO), originalmente criado para tratar o problema do Caixeiro Viajante (TSP), e são introduzidas melhorias para adequá-lo à tarefa de seleção de variáveis. O novo algoritmo proposto utiliza métodos Filter-Wrapper em sua estrutura e uma função de aptidão criada especificamente para refinar a seleção de soluções. Esta abordagem foi avaliada em conjuntos de dados do repositório de aprendizado de máquina UCI e os resultados foram comparados com outro algoritmo recentemente publicado que é considerado referência na seleção de variáveis usando ACO. O algoritmo proposto apresentou ganhos importantes no desempenho, superando o algoritmo de comparação na maioria dos casos estudados.Item Previsão de curto prazo para geotecnia : investigação e proposta de um método para análise e predição piezométrica em barragens de rejeito.(2022) Nogueira, Mayron Cesar da Silva; Pessin, Gustavo; Girao Sotomayor, Juan Manuel; Pessin, Gustavo; Figueiredo, Janine Rodrigues; Girao Sotomayor, Juan Manuel; Ranieri, Caetano MazzoniÉ cada vez mais importante monitorar de forma ágil e precisa estruturas geotécnicas. Recentemente, diversos instrumentos e sistemas têm sido utilizados para monitoramento de condições em tempo real, em alta frequência e com alta qualidade. Nessa dissertação, passamos pelo entendimento básico das estruturas de barragem, instrumentação aplicadas a estas para enfim buscamos estender ainda mais a capacidade dos sistemas de monitoramento de estruturas geotécnicas por meio de sistemas preditivos. Propomos, desenvolvemos e avaliamos um sistema preditivo baseado em aprendizado de máquina para sensores do tipo piezômetro de corda vibrante automatizado, localizados em barragem de rejeito. Os dados observados e utilizados nos modelos preditivos são obtidos de uma barragem de rejeitos real, e para as predições do modelo, utilizamos dados históricos de réguas de nível, pluviometria e piezômetros. Investigamos diversos métodos de aprendizado de máquina, tais como: Floresta Randômica, Adaboost, Redes Neurais, Regressão Linear, Árvore de Decisão e Gradiente Estocástico, com o objetivo de encontrar o método que apresenta a maior taxa de acerto nas predições para 1, 3 e 7 dias posteriores à medição atual. O sistema proposto tem como finalidade o apoio na tomada de decisão por geotécnicos que operam e monitoram barragens de rejeito frente aos controles de nível das mesmas. Para fins de validação do método, dividimos a barragem nas seções de fundação e tapete de barragens, onde atingimos mais de 95% de predições com erro inferior a 20cm de variação. E considerando a mesma predição para 1, 3 e 7 dias posteriores a medição atual a camada de aterro, atingimos mais de 95% das previsões com erro inferior a 20 cm considerando 1 dia após a medição atual.Item Um sistema de múltiplos classificadores para detecção de defeitos em dormentes de aço.(2022) Silva, Leonardo Pessoa Freitas e; Reis, Agnaldo José da Rocha; Yared, Glauco Ferreira Gazel; Reis, Agnaldo José da Rocha; Yared, Glauco Ferreira Gazel; Luz, Eduardo José da Silva; Sabino, Jodelson Aguilar; Barreto, Guilherme de AlencarOs sistemas ferroviarios são importantes para a logística do transporte de cargas e de pessoas em muitos países, contribuindo para uma melhoria nos seus indicadores económicos. Assim, com o intuito de garantir a confiabilidade e a segurança do transporte ferroviário, torna-se cada vez mais importante o monitoramento das condições da via permanente e a realização de manutenções planejadas. No que diz respeito aos dormentes, eles devem suportar os dispositivos de fixação dos trilhos e a capacidade estrutural de transmitir as esforços dos trilhos ao lastro. Qualquer ruptura de um determinado dormente causará uma sobrecarga nos dormentes adjacentes, acelerando a fadiga da estrutura desses componentes, contribuindo para a ocorrência de novos defeitos e, finalmente, afetando a bitola da via. Especificamente com relação aos dormentes de aço, ainda não existe uma solução automática para avaliar sua condição estrutural. Neste contexto, propõe-se um novo método para detecção de defeitos em dormentes de aço à partir de sinais geométricos de via permanente, baseado em processamento de sinais e aprendizado de máquina. Cinco classificadores com diferentes características de aprendizagem foram treinados: Redes Neurais Artificiais, Modelos de Mistura Gaussianas, Modelos de Markov Ocultos, Máquina de Vetores de Suporte e AdaBoost. Além disso, um sistema de múltiplos classificadores foi implementado para melhorar a acurácia da classificação. A metodologia proposta neste trabalho demonstrou eficácia na detecção de defeitos em dormentes de aço com Taxa de Acerto acima de 80% e Taxa de Falso Positivo abaixo de 40%, na maioria dos casos.Item Previsão de falta de equipamento de carga para frota de transporte com base em aprendizado de máquina.(2022) Cordeiro, Guilherme Gouveia; Guimarães, Frederico Gadelha; Souza, Marcone Jamilson Freitas; Guimarães, Frederico Gadelha; Souza, Marcone Jamilson Freitas; Reis, Agnaldo José da Rocha; Bessani, MichelUm desafio vigente na gestão de frota do setor de mineração é a predição de eventos de falhas de processo, devido à alta quantidade de parâmetros de influência internos (como quebra de equipamentos), externos ao processo (como intempéries) e de interface (como parada de britagem). Este trabalho trata do desenvolvimento de uma abordagem de aprendizado de maquina para previsão da quantidade de horas por dia do evento Falta de Equipamento de Carga para a frota de transporte utilizando dados de despacho. O modelo aplicado foi o Random Forest variando o numero de árvores entre 20, 50 e 100. Realizou-se a seleçãoo de atributos por meio de Backward Elimination para a redução de 20 para 5 parâmetros. A métrica utilizada para avaliação dos modelos foi o coeficiente de correlação (R). Dados de operação real foram utilizados para construção do modelo contendo ao final do trabalho 11,7 milhões de registros em 2 anos de coleta. Os resultados apontaram através do teste de Shapiro-Wilk e T-Welch que os modelos de 20, 50 e 100 árvores eram equivalentes, os coeficientes de correlação médio foram respectivamente 0,768, 0,773 e 0,773 que após a ampliação da massa de dados de 860 mil para 11,7 milhões de registros chegaram a 0,809, resultados melhores do que o valor de 0,35 obtido com o método regressão linear, atualmente utilizado pela área. Assim, o uso do aprendizado de máquina através do Random Forest apresentou bons resultados e aplicabilidade para predições e classificações de eventos da gestão de frota na indústria de mineração.Item Aplicação de métodos de aprendizado de máquina para otimização do desempenho da prensa de rolos no processo de pelotização.(2021) Abreu, Thiago Nicoli de; Silva, Saul Emanuel Delabrida; Bianchi, Andrea Gomes Campos; Silva, Saul Emanuel Delabrida; Bianchi, Andrea Gomes Campos; Rêgo Segundo, Alan Kardek; Oliveira, Sérgio deA tecnologia da prensa de rolos é útil nos processos de pelotização para cominuição do pellet feed e para o aumento da superfície específica do minério de ferro, o que impacta em ganhos de produtividade e qualidade na pelotização. O aumento da eficiência da prensa depende de um grande número de variáveis. Este trabalho identifica as variáveis de maior importância no ganho da superfície específica, desenvolve um modelo de classificação para determinar regras de configurações ótimas de operação e apresenta um modelo de regressão para predição da variável de superfície específica. As variáveis de maior influência foram ranqueadas e os setups ótimos de operação foram determinados, fatores estes que suportam a tomada de decisão pelos operadores e pela engenharia de processo. Os resultados deste trabalho agilizam e automatizam o diagnóstico do desempenho da prensa de rolos em tempo real.Item Aprendizado de máquina aplicado à predição de falhas em caminhão fora de estrada.(2020) Dias, Aldilene Oliveira Maia; Guimarães, Frederico Gadelha; Reis, Agnaldo José da Rocha; Sabino, Jodelson Aguilar; Guimarães, Frederico Gadelha; Reis, Agnaldo José da Rocha; Sabino, Jodelson Aguilar; Silva, Rodrigo César Pedrosa; Ribeiro, Roberto Gomes; Silva, Petrônio Cândido de Lima eNo setor mineral, o caminhão fora de estrada é o meio mais difundido de transporte de minério. Trata-se de um equipamento composto por vários componentes, tornando complexas atividades de manutenção. Este trabalho navega no campo da análise preditiva, como apoio na tomada de decisão do processo de manutenção destes ativos. A proposta envolve modelar um preditor de falhas, que subsidie o planejamento e a programação de eventos de manutenção. Isso reduz a indisponibilidade não programada do equipamento, aumenta o tempo médio entre falhas e embasa a manutenção por condição. Esta estratégia gera ganhos de confiabilidade, aumento no desempenho operacional, financeiro e na competitividade do negócio. Definiu-se a variável-alvo como “tempo para falha do caminhão” e assumiu-se a referência de 20 dias. Diversos algoritmos foram experimentados (RNA, XG Boost AS, C&R Tree, C5.0, CHAID 1) e obteve-se o melhor resultado com o XG Boost AS. O modelo experimental indica a falha no caminhão 20 dias antes, com uma precisão média de 97,90% e recall de 64,17%.Item Sistema automático para a inspeção visual de transportadores de correia por meio de redes neurais convolucionais.(2020) Santos, André Almeida; Guimarães, Frederico Gadelha; Reis, Agnaldo José da Rocha; Guimarães, Frederico Gadelha; Reis, Agnaldo José da Rocha; Almeida, Silvia Grasiella Moreira; Rêgo Segundo, Alan Kardek; Pessin, GustavoOs Transportadores de Correia são o meio de transporte mais difundido para grandes quantidades de materiais no setor de mineração. Portanto, métodos autônomos que podem ajudar os seres humanos a realizar a inspeção dos transportadores são uma grande preocupação para as empresas. Projetos que buscam solucionar problemas de segurança nas inspeções de transportadores são necessários e de grande valia para as empresas. Este trabalho apresenta um detector visual novo e automático que reconhece o acúmulo de sujeira nas estruturas dos transportadores de correia, uma das tarefas dos inspetores de manutenção. O sistema proposto envolve o treinamento de uma rede neural convolucional a partir de imagens RGB. O uso da técnica de aprendizado por transferência com redes consolidadas para classificação de imagens mostrouse eficaz para este objetivo com a comparação de dois cenários diferentes. O melhor cenário apresentou uma acurácia média de 0,892 com um F-1 score de 0,836 para o reconhecimento de sujeira. Um experimento de validação de campo serviu para avaliar o desempenho do sistema proposto em uma tarefa de classificação em tempo real. Nesta etapa, foi avaliado um recall de 0,77 com F-1 score de 0,75 para o reconhecimento de sujeira.Item Estimando teores de ferro em minérios : uma investigação com métodos de aprendizado de máquina e imagens hiperespectrais.(2020) Viana, Arthur Oliveira; Pessin, Gustavo; Pabón, Rosa Elvira Correa; Torres, Vidal Félix Navarro; Silveira Junior, Luiz Gonzaga da; Souza Júnior, Paulo Antônio deProcessos de beneficiamento mineral como prospecção, pesquisa, lavra e beneficiamento mineral podem ganhar com processos mais ágeis de caracterização dos minérios. A caracterização, feita por métodos tradicionais em laboratório, é muito precisa, mas em geral apresenta deficiência de tempo. A análise de imagens hiperespectrais pode trazer resultados mais rápidos do que a análise tradicional em laboratório, entretanto, a precisão da caracterização ainda é um desafio a ser investigado. Estas dificuldades têm relação com fatores ambientais como iluminação e umidade, fatores amostrais como tamanho e homogeneidade dos grãos, e fatores de modelagem, como escolha de bandas espectrais, resolução de imagens e tipos de modelos para caracterização. Considerando os desafios citados, esta pesquisa objetivou responder questões relacionadas aos fatores de modelagem e, portanto, investigamos métodos de aprendizado de máquina para estimar o teor de ferro em amostras de minérios de ferro com base em comprimentos de onda de imagens hiperespectrais na região do Visible and near infrared (VNIR) entre 400 e 1000 nm; realizamos uma seleção dos atributos mais relevantes para o modelo e validamos os resultados com o uso de métricas de avaliação estatísticas. O desempenho dos modelos manifestou resultados constantes, que apresentam baixa variância e dispersão e com precisão de estimação dos teores de ferro acima de 90% utilizando Random Forests (RF) e Multilayer Perceptrons (MLP).