Tese de Doutorado
DOI
https://doi.org/10.11606/T.18.2017.tde-17022017-105129
Documento
Autor
Nome completo
Denis Borg
Unidade da USP
Área do Conhecimento
Data de Defesa
Imprenta
São Carlos, 2016
Orientador
Banca examinadora
Brandão, Dennis (Presidente)
Flauzino, Rogério Andrade
Lugli, Alexandre Baratella
Ogashawara, Osmar
Serni, Paulo José Amaral
Título em português
Redes neurais e support vector machines como técnicas de diagnósticos em medições industriais de nível por tecnologia tipo radar sem contato e apoio à decisão para a melhoria de sua aplicação
Palavras-chave em português
Diagnósticos
Medição de nível
Radares
Redes neurais
SVM
Resumo em português
O objetivo dessa tese é detectar e classificar problemas de medição de nível por princípio de radar de propagação de onda livre por meio de RNA (redes neurais artificiais) e SVM (support vector machines) aliados à tratamentos estatísticos. Um primeiro cenário com ambiente controlado foi montado para a obtenção de dados preliminares. Na sequência, outros três cenários empregaram dados industriais reais. Para tanto, algumas topologias de redes neurais em quatro cenários diferentes foram testadas e foi possível demonstrar o funcionamento eficiente da RNA com acertos de 100% para o primeiro cenário, 93,51% para o segundo, 99,75% para o terceiro e de 99,94% para o quarto cenário. Para esses mesmos quatro cenários, os resultados de classificação do SVM foram de 100%, 84,41%, 93,74% e de 96,40%. Os resultados obtidos demonstram que a técnica desenvolvida pode ser aplicada à cenários reais de medição de nível. Após a classificação dos problemas pela RNA ou SVM é recomendada a utilização de alguns dos ícones baseados na norma internacional NAMUR NE107 para reportar as diferentes classificações de problemas resultantes da aplicação das técnicas dessa tese. Propõe-se que essas técnicas sejam embarcadas em aplicativos computacionais de gerenciamento de ativos para melhorar a confiabilidade da medição, antecipar rotinas de manutenção dos instrumentos e aumentar a segurança da planta industrial através de reportes adequados aos usuários dos problemas de medição de nível e do mapeamento das fases do processo.
Título em inglês
Neural networks and support vector machines as diagnosing tool for industrial level measurement through non-contacting radar type and support to the decision for its better application
Palavras-chave em inglês
Diagnostics
Level measurement
Neural networks
Radars
SVM
Resumo em inglês
The aim of this Thesis is to detect and classify level measurement problems by free wave propagation radars using ANN (artificial neural network) and SVM (support vector machines) with statistical pre-processing data. In the first scenario, a controlled environment was build in order to get the preliminary data. In addition, three other scenarios with real industry data was considered. Therefore, some topologies of neural networks and SVM in four different scenarios were tested and it was demonstrated the efficiency of ANN to reach an accuracy rate of 100% for the first scenario, 93.51% for the second, 99.75% for third and 99.94% for the fourth scenario. For these same four scenarios, the results of SVM classification were 100%, 84.41%, 93.74% and 96.40%. After classifying the problems by ANN or SVM, it is recommended to use some of the icons following the international standard NAMUR NE107 to report the different classifications of problems within this thesis. It is proposed that these techniques be embedded in asset management environment to improve the reliability of level measurement, antecipate maintenance routines and improve plant safety through adequately reporting the classified problems and mapping stage of the process to the users.
AVISO - A consulta a este documento fica condicionada na aceitação das seguintes condições de uso:
Este trabalho é somente para uso privado de atividades de pesquisa e ensino. Não é autorizada sua reprodução para quaisquer fins lucrativos. Esta reserva de direitos abrange a todos os dados do documento bem como seu conteúdo. Na utilização ou citação de partes do documento é obrigatório mencionar nome da pessoa autora do trabalho.
Data de Publicação
2017-02-22