Desenvolvimento de um framework para detecção e diagnóstico de falhas em sistemas químicos baseado em deep learning : da exploração dos dados ao monitoramento via interface gráfica
| Ano de defesa: | 2023 |
|---|---|
| Autor(a) principal: | |
| Orientador(a): | |
| Banca de defesa: | |
| Tipo de documento: | Tese |
| Tipo de acesso: | Acesso aberto |
| Idioma: | por |
| Instituição de defesa: |
[s.n.]
|
| Programa de Pós-Graduação: |
Não Informado pela instituição
|
| Departamento: |
Não Informado pela instituição
|
| País: |
Não Informado pela instituição
|
| Palavras-chave em Português: | |
| Link de acesso: | https://hdl.handle.net/20.500.12733/10052 |
Resumo: | Orientadores: Flávio Vasconcelos da Silva, Maurício Bezerra de Souza Júnior |
| id |
UNICAMP-30_719d7d0b421f8c11ba36edf27d562d68 |
|---|---|
| oai_identifier_str |
oai::1313369 |
| network_acronym_str |
UNICAMP-30 |
| network_name_str |
Biblioteca Digital de Teses e Dissertações da Universidade Estadual de Campinas (UNICAMP) |
| repository_id_str |
|
| spelling |
Desenvolvimento de um framework para detecção e diagnóstico de falhas em sistemas químicos baseado em deep learning : da exploração dos dados ao monitoramento via interface gráficaDevelopment of a deep learning-based fault detection and diagnosis framework for chemical systems : from exploratory data analysis to graphical user interface monitoringAprendizado profundoRedes neurais convolucionaisAprendizado por transferênciaInterface gráfica com o usuário (Sistemas de computação)Análise de dadosDeep learningConvolutional neural networksTransfer learningGraphical user interfaceData analyticsOrientadores: Flávio Vasconcelos da Silva, Maurício Bezerra de Souza JúniorTese (doutorado) - Universidade Estadual de Campinas, Faculdade de Engenharia QuímicaResumo: Em aplicações industriais, sistemas de detecção e diagnóstico de falhas são ferramentas utilizadas para monitorar a integridade do processo e para garantir a operação segura dos equipamentos que o compõem. O objetivo principal da presente pesquisa consistiu no desenvolvimento de sistemas de detecção e diagnóstico de falhas baseados em algoritmos de inteligência artificial. De maneira complementar, um dos grandes tópicos motivadores para o trabalho de pesquisa desenvolvido nesta tese foi a vontade de se verificar se a modelagem data- driven de fato retorna resultados promissores quando dados reais de processo são utilizados. Para isso, dois estudos de caso foram investigados, o Tennessee Eastman Process (TEP) benchmark e uma bomba centrífuga de injeção de água, posicionada em uma plataforma offshore de uma empresa do ramo de óleo e gás. Para o TEP, modelos computacionais foram empregados para gerar os dados necessários; para a bomba centrífuga, dados reais de processo foram utilizados. O principal algoritmo investigado foi a rede neural convolucional, arquitetura bastante utilizada no campo de deep learning. Entretanto, modelos tradicionais também foram empregados para permitir comparações, sendo eles máquinas de vetores de suporte, florestas aleatórias e redes perceptron de múltiplas camadas. Por fim, uma interface gráfica foi inteiramente construída com base no segundo estudo de caso para funcionar como um dashboard de indicadores e tornar mais amigável o uso do sistema desenvolvido. Os resultados obtidos mostraram que a metodologia proposta é eficiente e aplicável. Para o TEP, as redes convolucionais apresentaram desempenhos superiores quando comparados aos outros modelos testados. O melhor modelo obtido retornou 78,8% de precision, recall igual a 80,2% e 79,4% de f1-score. Já para a bomba centrífuga, viu-se que dois modelos retornaram desempenhos promissores: uma rede convolucional (f1-score = 73,0%) e uma máquina de vetores de suporte (f1-score = 74,6%). Também foi possível discutir os desafios enfrentados quando um banco de dados real é utilizado, principalmente em relação à etapa de rotulagem dos eventos de falhas. Para isso, o algoritmo de clusterização k-means se mostrou bastante útil. Utilizando a linguagem de programação Python, a interface gráfica foi projetada com elementos informativos e de fácil compreensãoAbstract: In industrial applications, fault detection and diagnosis (FDD) systems are tools to monitor the process health and to ensure its security and reliability during operation. The main goal of this research was to develop and study fault detection and diagnosis systems based on artificial intelligence algorithms. In addition, the major motivating topic for the development of this thesis was the will to investigate whether the modeling of FDD systems using data-driven techniques achieves good performances when real process data are used. Two case studies were investigated: the Tennessee Eastman Process (TEP) benchmark, with the use of computational models to generate simulated datasets, and a centrifugal injection pump, located at an offshore platform of an oil and gas company, for which real datasets were used. The convolutional neural network (CNN) was the main algorithm evaluated in this work. However, other machine learning models were also built to compare their results with those achieved by the CNN one. Support vector machines, random forests and, multilayer perceptrons were tested. Finally, a graphical user interface was created based on the second case study to work as a dashboard with key performance indicators, making the use of the FDD system modeled more user-friendly. The results demonstrated that the proposed methodology was effective and applicable. For the TEP study case, the CNN models presented superior results when they were compared with the other models tested. The best CNN model reached 78.8%, 80.2% and, 79.4% of precision, recall and, f1-score, respectively. Two models presented promising performances for the centrifugal pump study case: a convolutional neural network (f1-score = 73.0%) and a support vector machine (f1-score = 74.6%). The challenges related to using a real dataset were also discussed, emphasizing the data labeling step. The application of the k-means clustering technique proved to be useful for labeling the data instances. Finally, the graphical user interface was designed with informative widgets to facilitate the user comprehensionDoutoradoEngenharia QuímicaDoutora em Engenharia QuímicaCNPQ140913/2019-0[s.n.]Silva, Flávio Vasconcelos da, 1971-Souza Junior, Mauricio Bezerra deMatias, José Otávio AssumpçãoLopes, Luís Cláudio OliveiraCosta, Thiago Vaz daUniversidade Estadual de Campinas (UNICAMP). Faculdade de Engenharia QuímicaPrograma de Pós-Graduação em Engenharia QuímicaUNIVERSIDADE ESTADUAL DE CAMPINASSouza, Ana Cláudia Oliveira e, 1993-20232023-03-07T00:00:00Zinfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/doctoralThesisapplication/pdf1 recurso online (188 p.) : il., digital, arquivo PDF.https://hdl.handle.net/20.500.12733/10052SOUZA, Ana Cláudia Oliveira e. Desenvolvimento de um framework para detecção e diagnóstico de falhas em sistemas químicos baseado em deep learning : da exploração dos dados ao monitoramento via interface gráfica. 2023. 1 recurso online (188 p.) Tese (doutorado) - Universidade Estadual de Campinas, Faculdade de Engenharia Química, Campinas, SP. Disponível em: 20.500.12733/10052. Acesso em: 29 set. 2025.https://repositorio.unicamp.br/acervo/detalhe/1313369https://repositorio.unicamp.br/acervo/detalhe/1313369porreponame:Biblioteca Digital de Teses e Dissertações da Universidade Estadual de Campinas (UNICAMP)instname:Universidade Estadual de Campinas (UNICAMP)instacron:UNICAMPinfo:eu-repo/semantics/openAccess2025-08-11T16:01:36Zoai::1313369Biblioteca Digital de Teses e DissertaçõesPUBhttp://repositorio.unicamp.br/oai/tese/oai.aspsbubd@unicamp.bropendoar:2025-08-11T16:01:36Biblioteca Digital de Teses e Dissertações da Universidade Estadual de Campinas (UNICAMP) - Universidade Estadual de Campinas (UNICAMP)false |
| dc.title.none.fl_str_mv |
Desenvolvimento de um framework para detecção e diagnóstico de falhas em sistemas químicos baseado em deep learning : da exploração dos dados ao monitoramento via interface gráfica Development of a deep learning-based fault detection and diagnosis framework for chemical systems : from exploratory data analysis to graphical user interface monitoring |
| title |
Desenvolvimento de um framework para detecção e diagnóstico de falhas em sistemas químicos baseado em deep learning : da exploração dos dados ao monitoramento via interface gráfica |
| spellingShingle |
Desenvolvimento de um framework para detecção e diagnóstico de falhas em sistemas químicos baseado em deep learning : da exploração dos dados ao monitoramento via interface gráfica Souza, Ana Cláudia Oliveira e, 1993- Aprendizado profundo Redes neurais convolucionais Aprendizado por transferência Interface gráfica com o usuário (Sistemas de computação) Análise de dados Deep learning Convolutional neural networks Transfer learning Graphical user interface Data analytics |
| title_short |
Desenvolvimento de um framework para detecção e diagnóstico de falhas em sistemas químicos baseado em deep learning : da exploração dos dados ao monitoramento via interface gráfica |
| title_full |
Desenvolvimento de um framework para detecção e diagnóstico de falhas em sistemas químicos baseado em deep learning : da exploração dos dados ao monitoramento via interface gráfica |
| title_fullStr |
Desenvolvimento de um framework para detecção e diagnóstico de falhas em sistemas químicos baseado em deep learning : da exploração dos dados ao monitoramento via interface gráfica |
| title_full_unstemmed |
Desenvolvimento de um framework para detecção e diagnóstico de falhas em sistemas químicos baseado em deep learning : da exploração dos dados ao monitoramento via interface gráfica |
| title_sort |
Desenvolvimento de um framework para detecção e diagnóstico de falhas em sistemas químicos baseado em deep learning : da exploração dos dados ao monitoramento via interface gráfica |
| author |
Souza, Ana Cláudia Oliveira e, 1993- |
| author_facet |
Souza, Ana Cláudia Oliveira e, 1993- |
| author_role |
author |
| dc.contributor.none.fl_str_mv |
Silva, Flávio Vasconcelos da, 1971- Souza Junior, Mauricio Bezerra de Matias, José Otávio Assumpção Lopes, Luís Cláudio Oliveira Costa, Thiago Vaz da Universidade Estadual de Campinas (UNICAMP). Faculdade de Engenharia Química Programa de Pós-Graduação em Engenharia Química UNIVERSIDADE ESTADUAL DE CAMPINAS |
| dc.contributor.author.fl_str_mv |
Souza, Ana Cláudia Oliveira e, 1993- |
| dc.subject.por.fl_str_mv |
Aprendizado profundo Redes neurais convolucionais Aprendizado por transferência Interface gráfica com o usuário (Sistemas de computação) Análise de dados Deep learning Convolutional neural networks Transfer learning Graphical user interface Data analytics |
| topic |
Aprendizado profundo Redes neurais convolucionais Aprendizado por transferência Interface gráfica com o usuário (Sistemas de computação) Análise de dados Deep learning Convolutional neural networks Transfer learning Graphical user interface Data analytics |
| description |
Orientadores: Flávio Vasconcelos da Silva, Maurício Bezerra de Souza Júnior |
| publishDate |
2023 |
| dc.date.none.fl_str_mv |
2023 2023-03-07T00:00:00Z |
| dc.type.status.fl_str_mv |
info:eu-repo/semantics/publishedVersion |
| dc.type.driver.fl_str_mv |
info:eu-repo/semantics/doctoralThesis |
| format |
doctoralThesis |
| status_str |
publishedVersion |
| dc.identifier.uri.fl_str_mv |
https://hdl.handle.net/20.500.12733/10052 SOUZA, Ana Cláudia Oliveira e. Desenvolvimento de um framework para detecção e diagnóstico de falhas em sistemas químicos baseado em deep learning : da exploração dos dados ao monitoramento via interface gráfica. 2023. 1 recurso online (188 p.) Tese (doutorado) - Universidade Estadual de Campinas, Faculdade de Engenharia Química, Campinas, SP. Disponível em: 20.500.12733/10052. Acesso em: 29 set. 2025. |
| url |
https://hdl.handle.net/20.500.12733/10052 |
| identifier_str_mv |
SOUZA, Ana Cláudia Oliveira e. Desenvolvimento de um framework para detecção e diagnóstico de falhas em sistemas químicos baseado em deep learning : da exploração dos dados ao monitoramento via interface gráfica. 2023. 1 recurso online (188 p.) Tese (doutorado) - Universidade Estadual de Campinas, Faculdade de Engenharia Química, Campinas, SP. Disponível em: 20.500.12733/10052. Acesso em: 29 set. 2025. |
| dc.language.iso.fl_str_mv |
por |
| language |
por |
| dc.relation.none.fl_str_mv |
https://repositorio.unicamp.br/acervo/detalhe/1313369 https://repositorio.unicamp.br/acervo/detalhe/1313369 |
| dc.rights.driver.fl_str_mv |
info:eu-repo/semantics/openAccess |
| eu_rights_str_mv |
openAccess |
| dc.format.none.fl_str_mv |
application/pdf 1 recurso online (188 p.) : il., digital, arquivo PDF. |
| dc.publisher.none.fl_str_mv |
[s.n.] |
| publisher.none.fl_str_mv |
[s.n.] |
| dc.source.none.fl_str_mv |
reponame:Biblioteca Digital de Teses e Dissertações da Universidade Estadual de Campinas (UNICAMP) instname:Universidade Estadual de Campinas (UNICAMP) instacron:UNICAMP |
| instname_str |
Universidade Estadual de Campinas (UNICAMP) |
| instacron_str |
UNICAMP |
| institution |
UNICAMP |
| reponame_str |
Biblioteca Digital de Teses e Dissertações da Universidade Estadual de Campinas (UNICAMP) |
| collection |
Biblioteca Digital de Teses e Dissertações da Universidade Estadual de Campinas (UNICAMP) |
| repository.name.fl_str_mv |
Biblioteca Digital de Teses e Dissertações da Universidade Estadual de Campinas (UNICAMP) - Universidade Estadual de Campinas (UNICAMP) |
| repository.mail.fl_str_mv |
sbubd@unicamp.br |
| _version_ |
1844628697150128128 |