Abordagem baseada em detecção de ponto de mudança e aprendizado participativo para identificação online de mudanças de comportamento em processos produtivos
DOI:
https://doi.org/10.5540/03.2025.011.01.0335Keywords:
Monitoramento de Processos Industriais, Detecção de Pontos de Mudanças, Aprendizado ParticipativoAbstract
Esse trabalho apresenta uma abordagem inovadora para o monitoramento de processos industriais, enfatizando a detecção de pontos de mudança e a aprendizagem participativa. A proposta utiliza técnicas estatísticas avançadas, permitindo que os operadores monitorem em tempo real o desempenho do equipamento e tomem medidas imediatas diante de possíveis problemas. Destaca-se a importância da participação ativa dos operadores, cuja experiência é incorporada no desenvolvimento de modelos preditivos. Isso possibilita a criação de sistemas de monitoramento adaptáveis e altamente eficientes para identificar e resolver alterações em processos produtivos.
Downloads
References
ANVISA. Resolução RDC nº 17. https://bvsms.saude.gov.br/bvs/saudelegis/anvisa/2010/res0017_16_04_2010.html. Ago. de 2010.
G. Cauwenberghs e T. Poggio. “Incremental and Decremental Support Vector Machine Learning”. Em: Advances in Neural Information Processing Systems. Ed. por T. Leen, T. Dietterich e V. Tresp. Vol. 13. MIT Press, 2000. url: https://proceedings.neurips.cc/paper_files/paper/2000/file/155fa09596c7e18e50b58eb7e0c6ccb4-Paper.pdf.
S. Cuentas, R. Peñabaena-Niebles e E. Garcia. “Support vector machine in statistical process monitoring: a methodological and analytical review”. Em: The International Journal of Advanced Manufacturing Technology 91.1 (2017), pp. 485–500.
M. F. S. V. D’Angelo, R. M. Palhares, R. H. C. Takahashi, R. H. Loschi, L. M. R. Baccarini e W. M. Caminhas. “Incipient fault detection in induction machine stator-winding using a fuzzy-Bayesian change point detection approach”. Em: Applied Soft Computing 11.1 (2011), pp. 179–192. issn: 1568-4946. doi: https://doi.org/10.1016/j.asoc.2009.11.008. url: https://www.sciencedirect.com/science/article/pii/S156849460900221X.
EDQM. Site of the European Directorate for the Quality of Medicines and Healthcare. https://www.edqm.eu. Mai. de 2023.
Z. Gao, S. X. Ding e C. Cecati. “Real-time fault diagnosis and fault-tolerant control”. Em: IEEE Transactions on Industrial Electronics 62.6 (2015), pp. 3752–3756.
J. S. R. Jang. “ANFIS: adaptive-network-based fuzzy inference system”. Em: IEEE Transactions on Systems, Man, and Cybernetics 23.3 (1993), pp. 665–685. doi: 10.1109/21.256541.
Z. Kong, B. Tang, L. Deng, W. Liu e Y. Han. “Condition monitoring of wind turbines based on spatio-temporal fusion of SCADA data by convolutional neural networks and gated recurrent units”. Em: Renewable Energy 146 (2020), pp. 760–768. issn: 0960-1481.
US Pharmacopeia. Site of the US Pharmacopeia. https://www.usp.org. Mai. de 2023.
W. Qiao e D. Lu. “A Survey on Wind Turbine Condition Monitoring and Fault Diagnosis - Part II: Signals and Signal Processing Methods”. Em: IEEE Transactions on Industrial Electronics 62.10 (2015), pp. 6546–6557.
S. J. Qin. “Survey on data-driven industrial process monitoring and diagnosis”. Em: Annual Reviews in Control 36.2 (2012), pp. 220–234. issn: 1367-5788. doi: https://doi.org/10.1016/j.arcontrol.2012.09.004. url: https://www.sciencedirect.com/science/article/pii/S1367578812000399.
L. X. Wang e J. M. Mendel. “Generating fuzzy rules by learning from examples”. Em: IEEE Transactions on Systems, Man, and Cybernetics 22.6 (1992), pp. 1414–1427. doi: 10.1109/21.199466.
M. Wang, L. Sheng, D. Zhou e M. Chen. “A Feature Weighted Mixed Naive Bayes Model for Monitoring Anomalies in the Fan System of a Thermal Power Plant”. Em: IEEE/CAA Journal of Automatica Sinica 9.4 (2022), pp. 719–727. doi: 10.1109/JAS.2022.105467.
M. Wang, D. Zhou e M. Chen. “Hybrid variable monitoring: An unsupervised process monitoring framework with binary and continuous variables”. Em: Automatica 147 (2023), pp. 110670–. issn: 0005-1098.
M. Wang, D. Zhou, M. Chen e Y. Wang. “Anomaly detection in the fan system of a thermal power plant monitored by continuous and two-valued variables”. Em: Control Engineering Practice 102 (2020), pp. 104522–. issn: 0967-0661. doi: https://doi.org/10.1016/j.conengprac.2020.104522. url: https://www.sciencedirect.com/science/article/pii/S0967066120301313.
