05 fev
09:00 Defesa de Doutorado Auditório do IC3
Tema
Algoritmos de Aprendizado de Máquina para Melhorar a Qualidade dos Dados e o Desempenho de Inferência em Aplicações de Monitoramento
Aluno
Juliane Regina de Oliveira
Orientador / Docente
Lucas Francisco Wanner - Coorientador: Eduardo Rodrigues de Lima
Breve resumo
As linhas de transmissão de energia de elétrica compõem um complexo sistema de fornecimento de energia ao redor do mundo. As linhas de transmissão são compostas por torres estaiadas. As torres estaiadas contém um mastro central em formato "V" e quatro cabos ancorados responsáveis pela sustentação da estrutura. O afrouxamento dos cabos e deslocamento da estrutura ocorrem devido a diversos fatores ambientais e até mesmo roubo de parte da estrutura. As alterações nos parâmetros da torre podem conduzir à queda da estrutura e colapsar o sistema de transmissão. A detecção precoce das falhas permite a manutenção da estrutura e podem evitar situações catastróficas nas linhas de transmissão de energia elétrica. As tecnologias atuais de sensoriamento monitoram os parâmetros estruturais como a tensão dos cabos estais e sinais de vibração e algoritmos de aprendizado de máquina para a detecção de falhas e estimação dos parâmetros da torre. Os sensores e algoritmos compõem o sistema de monitoramento estrutural em tempo real e a antecipada detecção de falhas como o relaxamento dos cabos e deslocamento da estrutura tornam as linhas de transmissão mais robusta e tolerante a falhas. O pré-processamento dos sinais de vibração em features no domínio do tempo e frequência auxiliam os modelos na detecção de falhas estruturais e aumentam a dimensionalidade do conjunto de dados. Além de lidar com monitoramento estrutural, os sensores são dispositivos que podem apresentar falhas nos componentes, sofrer influência das mudanças ambientais e injeção maliciosa de falhas. Essas condições resultam em leituras do sensor ruidosas e outras falhas como bias, drift, outlier, stuck-at e leituras perdidas. As consequências das falhas dos sensores variam desde incorreta inferência do ambiente até mesmo desperdício de recursos. As técnicas para melhorar a qualidade das leituras dos sensores são fusão de dados e algoritmos de aprendizado de máquina. As contribuições científicas da tese incluem a melhora da qualidade dos dados de sensoriamento em aplicações de monitoramento. Além disso, fusão de dados de monitoramento de torres estaiadas e a melhora da qualidade da inferência utilizando estratégias redução de dimensionalidades e explicabilidade dos dados. Os experimentos conduzidos mostram a relevância das estratégias compostas por fusão de dados, técnicas de seleção de features e algoritmos de aprendizado de máquina para o bom desempenho das inferências de aplicações de monitoramento. Os resultados mostram que a seleção de features utilizando métricas de explicabilidade apresentaram robustez diante das features ruidosas e resultaram desempenho próximo às features sem ruído.
Banca examinadora
Titulares:
Lucas Francisco Wanner IC/UNICAMP
Claudio Miceli de Farias COPPE/UFRJ
Roberto Milton Scheffel UTFPR
Juliana Freitag Borin IC/UNICAMP
Gustavo Fraidenraich FEEC/UNICAMP
Suplentes:
Allan Mariano de Souza IC/UNICAMP
Giovani Gracioli UFSC
Lisane Brisolara de Brisolara UFPEL