Detecção de obstrução em máquinas de lingotamento contínuo pela análise de séries temporais multivariadas

Detalhes bibliográficos
Ano de defesa: 2021
Autor(a) principal: Ramos, Leandro Rodrigues
Orientador(a): Andrade, Jefferson Oliveira
Banca de defesa: Não Informado pela instituição
Tipo de documento: Dissertação
Tipo de acesso: Acesso aberto
Idioma: por
Instituição de defesa: Serra
Programa de Pós-Graduação: Não Informado pela instituição
Departamento: Não Informado pela instituição
País: Não Informado pela instituição
Palavras-chave em Português:
Lingotamento contínuo
Obstrução
Clusterização
Aprendizado de máquina
Aço - Indústria
Aprendizado do computador
Processos de fabricação
Usinas siderúrgicas
Fundição contínua
Link de acesso: https://repositorio.ifes.edu.br/handle/123456789/1826
Resumo: RESUMO: Obstruções das válvulas submersas no processo de lingotamento contínuo aumentam a frequência de interrupções na operação, seja para troca de válvulas, de distribuidores ou até mesmo provocando uma parada completa da máquina. Estas transições extras elevam o custo operacional, reduzem a produtividade da planta e podem provocar uma variedade de problemas de qualidade. A ausência de conjuntos de dados rotulados para as obstruções tem restringido a aplicação de métodos de aprendizado de máquina para predição desta anomalia no processo. Este trabalho buscou desenvolver técnicas semiautomáticas de rotulação de conjuntos de dados de referência. Para identificação do problema foram extraídas características de séries temporais multivariadas que poderiam caracterizar o fenômeno. Tais características foram utilizadas em sequências de clusterizações, combinadas em diferentes espaços dimensionais, fazendo uso do algoritmo DBSCAN (Density Based Spatial Clustering of Applications with Noise). Os clusters gerados foram usados como sementes para um processo semi-supervisionado de propagação de rótulos. Este processo gerou uma base de dados que foi validada por especialistas e 100% dos dados rotulados como obstruções foram considerados corretamente rotulados. No contexto de aprendizado de máquina, a inexistência de rótulos nos dados implica no uso de técnicas não supervisionadas, com poucos exemplos de rótulos os métodos semi-supervisionados são aplicáveis, já com o conjunto de dados tendo os rótulos devidamente validados permite-se o uso de algoritmos preditores supervisionados (classificadores ou regressores). Sendo assim, foi possível em sequência desenvolver um modelo classificador multiclasse que pudesse identificar situações de operação normal, obstruções e outras anomalias em tempo de lingotamento.
id IFES-2_4ea1060aad36dbde15ed317a3224a751
oai_identifier_str oai:repositorio.ifes.edu.br:123456789/1826
network_acronym_str IFES-2
network_name_str Repositório Institucional do IFES
repository_id_str
spelling Ramos, Leandro RodriguesResendo, Leandro ColombiMartinelli, Fernando JoséAndrade, Jefferson OliveiraBoldt, Francisco de Assis2022-04-11T12:33:27Z2022-04-11T12:33:27Z2021-12-21RAMOS, Leandro Rodrigues. Detecção de obstrução em máquinas de lingotamento contínuo pela análise de séries temporais multivariadas. 2021.76 f. Dissertação (Mestrado em Computação Aplicada) - Instituto Federal do Espírito Santo, Serra, 2021.https://repositorio.ifes.edu.br/handle/123456789/182630004012075P4RESUMO: Obstruções das válvulas submersas no processo de lingotamento contínuo aumentam a frequência de interrupções na operação, seja para troca de válvulas, de distribuidores ou até mesmo provocando uma parada completa da máquina. Estas transições extras elevam o custo operacional, reduzem a produtividade da planta e podem provocar uma variedade de problemas de qualidade. A ausência de conjuntos de dados rotulados para as obstruções tem restringido a aplicação de métodos de aprendizado de máquina para predição desta anomalia no processo. Este trabalho buscou desenvolver técnicas semiautomáticas de rotulação de conjuntos de dados de referência. Para identificação do problema foram extraídas características de séries temporais multivariadas que poderiam caracterizar o fenômeno. Tais características foram utilizadas em sequências de clusterizações, combinadas em diferentes espaços dimensionais, fazendo uso do algoritmo DBSCAN (Density Based Spatial Clustering of Applications with Noise). Os clusters gerados foram usados como sementes para um processo semi-supervisionado de propagação de rótulos. Este processo gerou uma base de dados que foi validada por especialistas e 100% dos dados rotulados como obstruções foram considerados corretamente rotulados. No contexto de aprendizado de máquina, a inexistência de rótulos nos dados implica no uso de técnicas não supervisionadas, com poucos exemplos de rótulos os métodos semi-supervisionados são aplicáveis, já com o conjunto de dados tendo os rótulos devidamente validados permite-se o uso de algoritmos preditores supervisionados (classificadores ou regressores). Sendo assim, foi possível em sequência desenvolver um modelo classificador multiclasse que pudesse identificar situações de operação normal, obstruções e outras anomalias em tempo de lingotamento.ABSTRACT: Clogging of submerged entry nozzles (SEN) in the continuous casting process increase the frequency of operational interruptions, whether for changing valves, tundish or even causing a complete machine shutdown.These extra transictions drive up the cost, reduce productivity and can cause a variety of quality issues.The absence of data sets labeled for clogging has restricted the application of machine learning methods for predicting this anomaly. This work sought to develop semiautomatic techniques for labeling reference data sets. To identify the problem were extracted features of multivariate time series that could identify the phenomenon. These features were used in clustering sequences, in different dimensional spaces, using the Density Based Spatial Clustering of Applications with Noise Algorithm (DBSCAN). The generated clusters were used as seeds for a semi-supervised label propagation process. This process generated a database that was validated by specialists and 100% of the data labeled as obstructions were considered correctly labeled. In machine learning the lack of labels in the data implies the use of unsupervised techniques, with just a few examples of labels the semi-supervised methods are applicable, on the other hand, with the data set having the labels properly validated, the use of supervised algorithms (classifiers or regressors) became allowed. Therefore, it was possible to develop a multiclass classifier model that could identify situations of normal operation, clogging and other process anomalies during the casting time.76 f.acesso_abertoinfo:eu-repo/semantics/openAccessLingotamento contínuoObstruçãoClusterizaçãoAprendizado de máquinaAço - IndústriaAprendizado do computadorProcessos de fabricaçãoUsinas siderúrgicasFundição contínuaDetecção de obstrução em máquinas de lingotamento contínuo pela análise de séries temporais multivariadasinfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisSerraporreponame:Repositório Institucional do IFESinstname:Instituto Federal de Educação, Ciência e Tecnologia do Espírito Santo (IFES)instacron:IFESCampus SerraComputação AplicadaInteligência Artificialhttp://lattes.cnpq.br/7138275599443632https://orcid.org/0000-0002-5321-9239http://lattes.cnpq.br/0385991152092556https://orcid.org/0000-0001-6919-5377Mestrado Profissional em Computação Aplicadahttp://lattes.cnpq.br/8108487234297364ORIGINALTeseMestrado_Leandro Rodrigues Ramos.pdfTeseMestrado_Leandro Rodrigues Ramos.pdfTese de Mestrado com o tema: Detecção de obstrução em máquinas de lingotamento contínuo pela análise de séries temporais multivariadasapplication/pdf2261039https://repositorio.ifes.edu.br/bitstreams/186e0081-830a-4471-ba26-b8d76039b4c3/downloade2846d6e0f8ebbb2945a602634d96917MD51trueAnonymousREADLICENSElicense.txtlicense.txttext/plain; charset=utf-8934https://repositorio.ifes.edu.br/bitstreams/14e6778c-c842-4acf-bf6e-1ddf42d5962b/downloadac7cb971050ed632be934da23d966924MD52falseAnonymousREADTEXTTeseMestrado_Leandro Rodrigues Ramos.pdf.txtTeseMestrado_Leandro Rodrigues Ramos.pdf.txtExtracted texttext/plain118442https://repositorio.ifes.edu.br/bitstreams/4f5f6337-799e-46c6-940b-d3fc485b6294/download52873698f08302735804445ad48d4c07MD53falseAnonymousREADTHUMBNAILTeseMestrado_Leandro Rodrigues Ramos.pdf.jpgTeseMestrado_Leandro Rodrigues Ramos.pdf.jpgGenerated Thumbnailimage/jpeg2154https://repositorio.ifes.edu.br/bitstreams/88da73a2-b481-4d0b-ab0b-dfaf0e8bc95a/download8b3e83d1b00bab0f43688cdac38b347cMD54falseAnonymousREAD123456789/18262022-04-11T12:33:27.863Zopen.accessoai:repositorio.ifes.edu.br:123456789/1826https://repositorio.ifes.edu.brRepositório InstitucionalPUBhttps://repositorio.ifes.edu.br/server/oai/requestrepositorio@ifes.edu.bropendoar:2022-04-11T12:33:27Repositório Institucional do IFES - Instituto Federal de Educação, Ciência e Tecnologia do Espírito Santo (IFES)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
dc.title.pt_BR.fl_str_mv Detecção de obstrução em máquinas de lingotamento contínuo pela análise de séries temporais multivariadas
title Detecção de obstrução em máquinas de lingotamento contínuo pela análise de séries temporais multivariadas
spellingShingle Detecção de obstrução em máquinas de lingotamento contínuo pela análise de séries temporais multivariadas
Ramos, Leandro Rodrigues
Lingotamento contínuo
Obstrução
Clusterização
Aprendizado de máquina
Aço - Indústria
Aprendizado do computador
Processos de fabricação
Usinas siderúrgicas
Fundição contínua
title_short Detecção de obstrução em máquinas de lingotamento contínuo pela análise de séries temporais multivariadas
title_full Detecção de obstrução em máquinas de lingotamento contínuo pela análise de séries temporais multivariadas
title_fullStr Detecção de obstrução em máquinas de lingotamento contínuo pela análise de séries temporais multivariadas
title_full_unstemmed Detecção de obstrução em máquinas de lingotamento contínuo pela análise de séries temporais multivariadas
title_sort Detecção de obstrução em máquinas de lingotamento contínuo pela análise de séries temporais multivariadas
author Ramos, Leandro Rodrigues
author_facet Ramos, Leandro Rodrigues
author_role author
dc.contributor.member.none.fl_str_mv Resendo, Leandro Colombi
Martinelli, Fernando José
dc.contributor.author.fl_str_mv Ramos, Leandro Rodrigues
dc.contributor.advisor1.fl_str_mv Andrade, Jefferson Oliveira
dc.contributor.advisor-co1.fl_str_mv Boldt, Francisco de Assis
contributor_str_mv Andrade, Jefferson Oliveira
Boldt, Francisco de Assis
dc.subject.por.fl_str_mv Lingotamento contínuo
Obstrução
Clusterização
Aprendizado de máquina
Aço - Indústria
Aprendizado do computador
Processos de fabricação
Usinas siderúrgicas
Fundição contínua
topic Lingotamento contínuo
Obstrução
Clusterização
Aprendizado de máquina
Aço - Indústria
Aprendizado do computador
Processos de fabricação
Usinas siderúrgicas
Fundição contínua
description RESUMO: Obstruções das válvulas submersas no processo de lingotamento contínuo aumentam a frequência de interrupções na operação, seja para troca de válvulas, de distribuidores ou até mesmo provocando uma parada completa da máquina. Estas transições extras elevam o custo operacional, reduzem a produtividade da planta e podem provocar uma variedade de problemas de qualidade. A ausência de conjuntos de dados rotulados para as obstruções tem restringido a aplicação de métodos de aprendizado de máquina para predição desta anomalia no processo. Este trabalho buscou desenvolver técnicas semiautomáticas de rotulação de conjuntos de dados de referência. Para identificação do problema foram extraídas características de séries temporais multivariadas que poderiam caracterizar o fenômeno. Tais características foram utilizadas em sequências de clusterizações, combinadas em diferentes espaços dimensionais, fazendo uso do algoritmo DBSCAN (Density Based Spatial Clustering of Applications with Noise). Os clusters gerados foram usados como sementes para um processo semi-supervisionado de propagação de rótulos. Este processo gerou uma base de dados que foi validada por especialistas e 100% dos dados rotulados como obstruções foram considerados corretamente rotulados. No contexto de aprendizado de máquina, a inexistência de rótulos nos dados implica no uso de técnicas não supervisionadas, com poucos exemplos de rótulos os métodos semi-supervisionados são aplicáveis, já com o conjunto de dados tendo os rótulos devidamente validados permite-se o uso de algoritmos preditores supervisionados (classificadores ou regressores). Sendo assim, foi possível em sequência desenvolver um modelo classificador multiclasse que pudesse identificar situações de operação normal, obstruções e outras anomalias em tempo de lingotamento.
publishDate 2021
dc.date.issued.fl_str_mv 2021-12-21
dc.date.accessioned.fl_str_mv 2022-04-11T12:33:27Z
dc.date.available.fl_str_mv 2022-04-11T12:33:27Z
dc.type.status.fl_str_mv info:eu-repo/semantics/publishedVersion
dc.type.driver.fl_str_mv info:eu-repo/semantics/masterThesis
format masterThesis
status_str publishedVersion
dc.identifier.citation.fl_str_mv RAMOS, Leandro Rodrigues. Detecção de obstrução em máquinas de lingotamento contínuo pela análise de séries temporais multivariadas. 2021.76 f. Dissertação (Mestrado em Computação Aplicada) - Instituto Federal do Espírito Santo, Serra, 2021.
dc.identifier.uri.fl_str_mv https://repositorio.ifes.edu.br/handle/123456789/1826
dc.identifier.capes.pt_BR.fl_str_mv 30004012075P4
identifier_str_mv RAMOS, Leandro Rodrigues. Detecção de obstrução em máquinas de lingotamento contínuo pela análise de séries temporais multivariadas. 2021.76 f. Dissertação (Mestrado em Computação Aplicada) - Instituto Federal do Espírito Santo, Serra, 2021.
30004012075P4
url https://repositorio.ifes.edu.br/handle/123456789/1826
dc.language.iso.fl_str_mv por
language por
dc.rights.driver.fl_str_mv acesso_aberto
info:eu-repo/semantics/openAccess
rights_invalid_str_mv acesso_aberto
eu_rights_str_mv openAccess
dc.format.none.fl_str_mv 76 f.
dc.publisher.none.fl_str_mv Serra
publisher.none.fl_str_mv Serra
dc.source.none.fl_str_mv reponame:Repositório Institucional do IFES
instname:Instituto Federal de Educação, Ciência e Tecnologia do Espírito Santo (IFES)
instacron:IFES
instname_str Instituto Federal de Educação, Ciência e Tecnologia do Espírito Santo (IFES)
instacron_str IFES
institution IFES
reponame_str Repositório Institucional do IFES
collection Repositório Institucional do IFES
bitstream.url.fl_str_mv https://repositorio.ifes.edu.br/bitstreams/186e0081-830a-4471-ba26-b8d76039b4c3/download
https://repositorio.ifes.edu.br/bitstreams/14e6778c-c842-4acf-bf6e-1ddf42d5962b/download
https://repositorio.ifes.edu.br/bitstreams/4f5f6337-799e-46c6-940b-d3fc485b6294/download
https://repositorio.ifes.edu.br/bitstreams/88da73a2-b481-4d0b-ab0b-dfaf0e8bc95a/download
bitstream.checksum.fl_str_mv e2846d6e0f8ebbb2945a602634d96917
ac7cb971050ed632be934da23d966924
52873698f08302735804445ad48d4c07
8b3e83d1b00bab0f43688cdac38b347c
bitstream.checksumAlgorithm.fl_str_mv MD5
MD5
MD5
MD5
repository.name.fl_str_mv Repositório Institucional do IFES - Instituto Federal de Educação, Ciência e Tecnologia do Espírito Santo (IFES)
repository.mail.fl_str_mv repositorio@ifes.edu.br
_version_ 1864451009337622528

Registros relacionados