Eventos
DEFESA DE DISSERTAÇÃO DE MESTRADO Nº 319
Aluno: Hugo Nascimento Leite
Título: “Early Fault Detection and Diagnosis in Industrial Machines. An Approach Using Digital Twins"
Orientador: Diego José Rátiva Millán
Examinador Externo: Rodrigo de Paula Monteiro (UPE)
Examinador Interno: João Fausto Lorenzato de Oliveira
Data-hora: 19 de março de 2025, às 10h.
Local: Formato presencial - Sala de Atos.
Resumo:
"The emergence of Industry 4.0 has catalyzed the integration of advanced technologies to enhance manufacturing efficiency, reliability, and competitiveness. Fault Detection and Diagnosis (FDD) systems are critical for minimizing downtime and ensuring operational continuity. This research investigates the integration of Digital Twin (DT) technology with Machine Learning (ML) models for real-time fault detection and diagnosis (RT-FDD) in discrete manufacturing machines. Two industrial systems—a Pick-and-Place machine and a Furnace—were modeled using linear and non-linear models to develop Digital Twins. By combining DT-generated features with conventional real-time process data, the proposed approach improved F1 scores by up to 11% and demonstrated enhanced robustness in both inter-cycle and intra-cycle fault detection tasks. Notably, for the Furnace machine, the method enabled fault detection 40% earlier in the cycle while maintaining the same F1 Score of 94%, and provided reliable diagnosis with an F1 Score of 80% at only 15% of cycle completion. A comprehensive evaluation of 16 ML algorithms highlighted the effectiveness of DT features in boosting predictive performance. The results underscore the potential of DT-enhanced ML models for predictive maintenance, reducing inefficiencies, and advancing smart manufacturing systems."
DEFESA DE DISSERTAÇÃO DE MESTRADO Nº 318
Aluno: Paulo Roberto Varjal de Melo
Título: “Desenvolvimento de um Sistema Detecção de Sonolência em Motoristas"
Orientador: Fernando Buarque de Lima Neto
Examinador Externo: Francis Trombini de Souza(UPE)
Examinador Interno: José Paulo Gonçalves de Oliveira
Data-hora: 28 de fevereiro de 2025, às 10h.
Local: Formato Híbrido - Miniauditório PPGEC e Google Meet.
Resumo:
"Os acidentes de trânsito configuram-se como um dos mais graves problemas de saúde pública e segurança viária no mundo, resultando anualmente em cerca de 1,19 milhão de mortes e entre 20 a 50 milhões de feridos não fatais [1]. Fatores como “condutor dormindo”, “reação tardia” e “ausência de reação” estão diretamente associados à sonolência, contribuindo de forma expressiva para o aumento no número de acidentes e fatalidades. Nesse contexto, desenvolvem-se esforços para criar soluções de detecção de sonolência em tempo real antes que os acidentes ocorram. Este trabalho aborda, inicialmente, um levantamento exploratório de bases de imagens (fotos e vídeos) aplicáveis à detecção de sonolência em motoristas, bem como de modelos pré-treinados (ex.: MediaPipe, Dlib, MTCNN) que possibilitem a extração de características faciais relevantes (olhos, boca, posição da cabeça, entre outras). Em seguida, apresenta-se o desenvolvimento de um sistema próprio de detecção de sonolência em tempo real, o qual: (i) integra múltiplos indicadores — como frequência de piscadas, frequência de bocejos, PER-CLOS (Percentage of Eye Closure) e HNF (Head Nodding Frequency) —, (ii) emprega análise temporal por meio de médias móveis para suavizar flutuações pontuais nos sinais e detectar tendências graduais de cansaço, (iii) permite personalização, pois o próprio usuário pode rotular seu estado (“Alerta” ou “Sonolento”), tornando o sistema adaptado a características individuais, (iv) foi implementado em um dispositivo de baixo custo (Raspberry Pi), comprovando a viabilidade operacional sem necessidade de hardware sofi sticado, (v) passou por validações iniciais em cenários realistas, utilizando tanto um computador quanto a Raspberry Pi em vídeos de uma base pública (UTA-RLDD), e (vi) exibiu desempenho elevado, atingindo 100,0% de acurácia para o estado “Alerta” e 99,8% para “Sonolento”. Os resultados reforçam a importância de uma abordagem híbrida, que combine técnicas de visão computacional e inteligência artificial com métodos de análise temporal e personalização de limiares. Conclui-se que a fusão de múltiplos indicadores e a capacidade de adaptação às peculiaridades de cada motorista elevam a precisão na identificação de sonolência ao volante, configurando um instrumento promissor para a redução de acidentes. Pesquisas futuras podem incluir dados brutos de marcos faciais e testar o modelo em condições ainda mais diversas, visando aumentar sua robustez e aplicabilidade prática"
DEFESA DE DISSERTAÇÃO DE MESTRADO Nº 317
Aluna: Camila Fragoso Siqueira Campos
Título: “Major Depressive Disorder Presiction from EEG data using Machine Learning Models"
Orientador: João Fausto Lorenzato de Oliveira
Coorientador: Fernando Buarque de Lima Neto
Examinador Externo: Manoel Henrique da Nóbrega Marinho (UPE)
Examinador Interno: Patrícia Takako Endo
Data-hora: 26 de fevereiro de 2025, às 09h.
Local: Formato Remoto.
Resumo:
"O Transtorno Depressivo Maior (MDD, na sigla em inglês) representa uma significativa carga para a saúde global, caracterizado por angústia emocional generalizada e prejuízo funcional. Apesar de sua prevalência, o diagnóstico de MDD ainda depende de avaliações clínicas subjetivas, o que pode levar a resultados inconsistentes. Esta tese propõe uma abordagem inovadora para o diagnóstico de MDD por meio de um sistema híbrido de aprendizado de máquina utilizando dados de eletroencefalograma (EEG). O estudo utiliza o conjunto de dados MODMA, composto por registros de EEG de pacientes com MDD e controles saudáveis, complementado por dados sintéticos gerados usando GANs Condicionais e Modelos de Mistura Gaussiana. Técnicas abrangentes de extração de características capturam atributos lineares, não lineares e do domínio tempo-frequência dos sinais de EEG, permitindo que o modelo aproveite a complexidade das dinâmicas neurais. O modelo híbrido proposto combina múltiplos algoritmos de aprendizado de máquina usando votação por maioria, alcançando um equilíbrio entre precisão e robustez. O sistema híbrido demonstra alta precisão, comparável aos algoritmos separadamente. Ao abordar as limitações das abordagens diagnósticas tradicionais e aproveitar os avanços em aprendizado de máquina, esta tese contribui para o desenvolvimento de ferramentas escaláveis, confiáveis e explicáveis para a saúde mental, abrindo caminho para intervenções precoces e personalizadas no diagnóstico de MDD. Por fim, outra contribuição da pesquisa é a integração de interpretabilidade utilizando o SHAP, que destaca as características e os canais de EEG mais relevantes para as previsões do modelo. Essa interpretabilidade garante transparência e promove confiança nos resultados do sistema, tornando-o adequado para aplicações clínicas."
O Programa
