Aplicação de técnicas de aprendizado de máquina para detecção de falhas em veículos subaquáticos não-tripulados

Detalhes bibliográficos
Ano de defesa: 2019
Autor(a) principal: Adachi, Felipe de Pontes
Orientador(a): Fröhlich, Antonio Augusto Medeiros
Banca de defesa: Não Informado pela instituição
Tipo de documento: Dissertação
Tipo de acesso: Acesso aberto
Idioma: por
Instituição de defesa: Não Informado pela instituição
Programa de Pós-Graduação: Não Informado pela instituição
Departamento: Não Informado pela instituição
País: Não Informado pela instituição
Link de acesso: https://repositorio.ufsc.br/handle/123456789/215579
Resumo: Dissertação (mestrado) - Universidade Federal de Santa Catarina, Centro Tecnológico de Joinville, Programa de Pós Graduação em Engenharia de Sistemas Eletrônicos, Joinville, 2019.
id UFSC_170df8069bb222c8fa667c51ffd63424
oai_identifier_str oai:repositorio.ufsc.br:123456789/215579
network_acronym_str UFSC
network_name_str Repositório Institucional da UFSC
repository_id_str
spelling Universidade Federal de Santa CatarinaAdachi, Felipe de PontesFröhlich, Antonio Augusto MedeirosJaskowiak, Pablo Andretta2020-10-21T21:18:10Z2020-10-21T21:18:10Z2019368607https://repositorio.ufsc.br/handle/123456789/215579Dissertação (mestrado) - Universidade Federal de Santa Catarina, Centro Tecnológico de Joinville, Programa de Pós Graduação em Engenharia de Sistemas Eletrônicos, Joinville, 2019.A demanda por robustez e segurança na operação de veículos não tripulados aumenta à medida em que estes veículos são utilizados em operações cada vez mais críticas. Em ambientes subaquáticos, caracterizados frequentemente por sua natureza hostil e de difícil acesso, a preocupação pelo desenvolvimento de sistemas tolerantes a falhas torna-se evidente. Este trabalho propõe uma estratégia para detecção de falhas por meio da obtenção de um modelo dinâmico do comportamento normal do veículo e subsequente comparação do valor previsto com a informação real fornecida pelo veículo. O modelo preditivo é obtido treinando-se uma rede neural artificial para a representação de um modelo Não-linear Autoregressivo com Entradas Exógenas (Nonlinear Autoregressive with Exogenous Inputs-NARX). A estratégia proposta é aplicada a um estudo de caso real, utilizando um veículo remotamente operado de baixo custo da empresa OpenROV. Em uma etapa de pré-processamento, relações dinâmicas entre os atributos disponíveis são avaliadas por meio de análises de autocorrelação e Informação Mútua. Em seguida, diferentes métodos de seleção de atributos são aplicados -RReliefF, Seleção de Atributos Baseado em Correlação (Correlation-based Feature Selection-CFS), Stepwise Regression e sem seleção de atributos. Resultados do desempenho para cada modelo resultante são comparados e avaliados, com relação ao erro quadrático médio dos modelos de regressão. A capacidade de detecção da estratégia também é avaliada através de medidas de precisão, recall e latência de detecção, mediante a inserção de falhas intermitentes de sensor de diversos tipos e magnitudes. Os resultados mostram que, de maneira geral, o método RReliefF para a seleção de atributos obteve desempenho para a presente aplicação. A estratégia proposta apresentou uma alta taxa de detecção para diversos tipos de falha de sensor, apesar de se mostrar insensível a determinadas falhas de baixa magnitude e curta duração. Além disto, após etapas de treinamento e validação, o detector na sua versão final foi integrado em um framework baseado em Internet das Coisas e computação em nuvem, contribuindo para a flexibilidade e escalabilidade da solução proposta.<br>The need for reliability and safety on the operation of unmanned vehicles increases in conjunction with the growing criticality of operations undertaken by these vehicles. In underwater environments, distinguished by its hostile environment, the importance of fault-tolerant systems design is straightforward. This paper proposes a strategy for fault detection by obtaining the dynamic model of the vehicle?s normal behavior and comparing the predicted output to the actual information provided by the vehicle. The predictive model is obtained by training a Nonlinear Autoregressive with Exogenous Inputs (NARX) neural network. The proposed strategy is applied to a real case study, by gathering data of the OpenROV, a low-cost remotely operated vehicle (ROV). In a preprocessing phase, dynamic relationships between available features are assessed through auto and cross-correlation analysis. Thereafter, different feature selection procedures are applied- ReliefF, Correlation-Based Feature Selection, Stepwise Regression and no feature selection. Performance results for each resulting model are compared and assessed, regarding mean squared error of regression models. Detection performance results are also compared through precision, recall and latency measures, when the strategy is applied to several different intermittent sensor faults, from incipient to abrupt nature. Results have shown that, in overall, the ReliefF method for feature selection yielded better performance. The proposed strategy proved to be able to detect several types of faults, albeit being insensitive to certain faults of low magnitude and short duration. In addition, the proposed strategy was succesfully integrated into a framework based on Internet of Things and Big Data. Latency measurements denoted the feasibility of the implemented scheme, allowing a prompt response to the ROV pilot, contributing to the flexibility and scalability of the proposed strategy.131 p.| il., tabs.porEletrônicaLocalização de falhas (Engenharia)Veículos remotamente pilotadosInteligência artificialVeículos SubmersíveisAplicação de técnicas de aprendizado de máquina para detecção de falhas em veículos subaquáticos não-tripuladosinfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisreponame:Repositório Institucional da UFSCinstname:Universidade Federal de Santa Catarina (UFSC)instacron:UFSCinfo:eu-repo/semantics/openAccessORIGINALPESE0005-D.pdfPESE0005-D.pdfapplication/pdf5127342https://repositorio.ufsc.br/bitstream/123456789/215579/-1/PESE0005-D.pdf99dec9e4ac4d754ca1324866b25aba59MD5-1123456789/2155792020-10-21 18:18:10.716oai:repositorio.ufsc.br:123456789/215579Repositório InstitucionalPUBhttp://150.162.242.35/oai/requestsandra.sobrera@ufsc.bropendoar:23732020-10-21T21:18:10Repositório Institucional da UFSC - Universidade Federal de Santa Catarina (UFSC)false
dc.title.none.fl_str_mv Aplicação de técnicas de aprendizado de máquina para detecção de falhas em veículos subaquáticos não-tripulados
title Aplicação de técnicas de aprendizado de máquina para detecção de falhas em veículos subaquáticos não-tripulados
spellingShingle Aplicação de técnicas de aprendizado de máquina para detecção de falhas em veículos subaquáticos não-tripulados
Adachi, Felipe de Pontes
Eletrônica
Localização de falhas (Engenharia)
Veículos remotamente pilotados
Inteligência artificial
Veículos Submersíveis
title_short Aplicação de técnicas de aprendizado de máquina para detecção de falhas em veículos subaquáticos não-tripulados
title_full Aplicação de técnicas de aprendizado de máquina para detecção de falhas em veículos subaquáticos não-tripulados
title_fullStr Aplicação de técnicas de aprendizado de máquina para detecção de falhas em veículos subaquáticos não-tripulados
title_full_unstemmed Aplicação de técnicas de aprendizado de máquina para detecção de falhas em veículos subaquáticos não-tripulados
title_sort Aplicação de técnicas de aprendizado de máquina para detecção de falhas em veículos subaquáticos não-tripulados
author Adachi, Felipe de Pontes
author_facet Adachi, Felipe de Pontes
author_role author
dc.contributor.none.fl_str_mv Universidade Federal de Santa Catarina
dc.contributor.author.fl_str_mv Adachi, Felipe de Pontes
dc.contributor.advisor1.fl_str_mv Fröhlich, Antonio Augusto Medeiros
dc.contributor.advisor-co1.fl_str_mv Jaskowiak, Pablo Andretta
contributor_str_mv Fröhlich, Antonio Augusto Medeiros
Jaskowiak, Pablo Andretta
dc.subject.classification.none.fl_str_mv Eletrônica
Localização de falhas (Engenharia)
Veículos remotamente pilotados
Inteligência artificial
Veículos Submersíveis
topic Eletrônica
Localização de falhas (Engenharia)
Veículos remotamente pilotados
Inteligência artificial
Veículos Submersíveis
description Dissertação (mestrado) - Universidade Federal de Santa Catarina, Centro Tecnológico de Joinville, Programa de Pós Graduação em Engenharia de Sistemas Eletrônicos, Joinville, 2019.
publishDate 2019
dc.date.issued.fl_str_mv 2019
dc.date.accessioned.fl_str_mv 2020-10-21T21:18:10Z
dc.date.available.fl_str_mv 2020-10-21T21:18:10Z
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.uri.fl_str_mv https://repositorio.ufsc.br/handle/123456789/215579
dc.identifier.other.none.fl_str_mv 368607
identifier_str_mv 368607
url https://repositorio.ufsc.br/handle/123456789/215579
dc.language.iso.fl_str_mv por
language por
dc.rights.driver.fl_str_mv info:eu-repo/semantics/openAccess
eu_rights_str_mv openAccess
dc.format.none.fl_str_mv 131 p.| il., tabs.
dc.source.none.fl_str_mv reponame:Repositório Institucional da UFSC
instname:Universidade Federal de Santa Catarina (UFSC)
instacron:UFSC
instname_str Universidade Federal de Santa Catarina (UFSC)
instacron_str UFSC
institution UFSC
reponame_str Repositório Institucional da UFSC
collection Repositório Institucional da UFSC
bitstream.url.fl_str_mv https://repositorio.ufsc.br/bitstream/123456789/215579/-1/PESE0005-D.pdf
bitstream.checksum.fl_str_mv 99dec9e4ac4d754ca1324866b25aba59
bitstream.checksumAlgorithm.fl_str_mv MD5
repository.name.fl_str_mv Repositório Institucional da UFSC - Universidade Federal de Santa Catarina (UFSC)
repository.mail.fl_str_mv sandra.sobrera@ufsc.br
_version_ 1851758896185606144

Registros relacionados