Divulgação - Defesa Nº 08

Aluno: Marília Nayara Clemente de Almeida Lima

Título: “Detecção e Avaliação de Desvio de Conceito Aplicadas em Dados Pontuais e Intervalares”

Orientador: Roberta Andrade de Araújo Fagundes - (PPGEC)

Coorientador: Telmo de Menezes e Silva Filho - (BISTROL)

Examinador Externo: Ricardo Bastos Cavalcante Prudencio - (Cin/UFPE)

Examinadora Externa: Renata Maria Cardoso Rodrigues de Souza - (Cin/UFPE)

Examinador Interno: Cleyton Mário de Oliveira Rodrigues - (PPGEC)

Data-hora: 03 de Agosto de 2023, às 09:00h.
Local: Mini-auditório, PPGEC - UPE/POLI

---

Resumo:

         Contexto: em determinadas situações, os dados aos quais um modelo de aprendizado de máquina treinado é submetido são significativamente diferentes dos dados de treinamento. Isso pode causar um problema conhecido como Desvio de Conceito (DC). Há uma grande quantidade de trabalhos sobre como detectar e avaliar DC.No entanto, a maior parte se concentra em detectores que fazem uso de um modelo base. Objetivo: desenvolver um detector e uma métrica de avaliação para DC que não necessite do uso de um modelo base. O detector proposto é o Background Check for Drift Detection (BCDD) e a métrica é a Detection Distance (DD) que serão aplicados em dados pontuais e simbólicos do tipo intervalo. Visão Geral: o método de detecção proposto segue a ideia de ajustar um modelo de densidade para definir as probabilidades a posteriori e identificar se há desvio. Quanto a métrica de avaliação, verifica-se quão distante é o ponto real do desvio em relação ao ponto que o detector alertou. Metodologia: são utilizados dados sintéticos com quatro tipos diferentes de velocidade de desvio: abrupto, gradual, incremental, recorrente. Também usa-se conjunto de dados reais com desvio em proporções diferentes nas variáveis explicativas. Usou-se a configuração experimental com três modelos base: Hoeffding Tree Regressor, Hoeffding Adaptive Tree Regressor, Online Sequential Extreme Learning Machine; e sete detectores de desvio da literatura: ADWIN, DMM, EDDM, HDDM_H, HDDM_W, PH, KSWIN. Ainda são testados os modelos sempre atualizando (Partial) e nunca sendo atualizado (No_Partial). Para o processo de detecção usou-se a abordagem treine-teste-treine: (i) os modelos base são treinados com os primeiros dados (ii) nos dados de teste a cada lote é verificado se há desvio, assim: (a) se existir desvio, é alertado, retornado o status de predição e o modelo é atualizado, (b) se não existir desvio, alerta, retorna o status de predição e o lote vai para área de esquecimento. O processo (ii) é repetido até o fim dos dados de teste. Além disso, é feita uma simulação de Monte Carlo com trinta iterações. Resultados: há influência no tipo de velocidade de desvio, dispersão dos dados e modelo base utilizado. Desse modo, o BCDD se mostrou mais adequado para desvio gradual e incremental em dados intervalares. Porém, nas outras velocidades teve semelhança com o KSWIN, que teve resultados adequados, na maioria dos conjuntos de dados pontuais e intervalares analisados. Conclusão: a tese apresenta como contribuição um novo detector de DC mais adequado para dados graduais e incrementais, uma nova métrica de avaliação de DC, metodologia de experimentação do processo de detecção e uma revisão sistemática da literatura. Além do uso de dados pontuais e intervalares no contexto de regressão. Assim, os resultados contribuirão para as diferentes áreas da sociedade e pesquisas em DC.

Divulgação - Defesa Nº 275

Aluno: Adelson Santos da Silva Júnior

Título: "Gêmeos Digitais Interpretáveis e Adaptáveis Para Máquinas Industriais".

Orientador: Fernando Buarque de Lima Neto

Examinador Externo: Nuno Miguel Fonseca Ferreira (IPC)

Examinador Interno: José Paulo Gonçalves de Oliveira (PPGEC)

Data-hora: 01 de Agosto de 2023 às 10:30h.
Local: Formato Remoto

---

Resumo:

         Esta dissertação se dedica ao desenvolvimento de uma metodologia robusta para a criação e implementação de Gêmeos Digitais interpretáveis e adaptáveis, focalizando aplicações industriais. Com o avanço tecnológico, o conceito de Gêmeos Digitais tem sido cada vez mais empregado como ferramenta para melhorar o desempenho e a eficiência de sistemas industriais. No entanto, o desenvolvimento de um Gêmeo Digital adaptativo e interpretável ainda é um desafio, especialmente quando se trata de sua aplicação em tempo real. A pesquisa começa com uma extensa fundamentação teórica, onde são abordados conceitos chave, como Gêmeos Digitais, Inteligência de Enxame, Automação Industrial e Máquinas Autoconscientes. A meto dologia proposta é então introduzida, combinando a modelagem analítica com a Otimização por Enxame de Partículas, para gerar um Gêmeo Digital que pode aprender e adaptar-se às mudanças no sistema físico correspondente. A metodologia proposta é dividida em três etapas principais: modelagem do sistema físico, que envolve a formulação de equações matemáticas representando os componentes físicos do sistema; estimação de parâmetros, onde o modelo é ajustado para refletir precisamente o estado atual do sistema; e finalmente a descoberta de componentes desconhecidos, que busca identificar e integrar qualquer componente ou interação não capturada durante a modelagem inicial. Dois estudos de caso - um motor DC industrial e um atuador hidráulico - são desenvolvidos e avaliados em um ambiente de simulação para validar a metodologia proposta. Os Gêmeos Digitais desenvolvidos são submetidos a diferentes cenários operacionais, fornecendo uma avaliação abrangente de suas performances, interpretabilidades e adaptabilidades. Os resultados obtidos reforçam que os gêmeos digitais, juntamente com algoritmos PSO, têm o potencial de melhorar significativamente a eficiência e o desempenho de diversas aplicações industriais. No entanto, é preciso levar em conta os desafios associados à implementação dos gêmeos digitais, como a necessidade de dados de alta qualidade e a utilização de algoritmos de otimização em tempo real. A dissertação conclui enfatizando a contribuição significativa desta pesquisa para o campo das máquinas autoconscientes, ao mesmo tempo em que destaca a necessidade de futuras pesquisas. Tais investigações devem explorar a detecção de falhas, a tomada de decisões baseada em gêmeos digitais, a extensão da seleção de modelos e a validação da metodologia proposta em aplicações físicas em tempo real.

Divulgação - Defesa Nº 274

Aluno: João Paulo Martins Alcântara

Título: "Handling Constraints in FSS – Enhanced Fish School Search Algorithm for Constrained Optimization (e-rwFSS)".

Orientador: Fernando Buarque de Lima Neto

Coorientador: Marcelo Gomes Pereira de Lacerda

Examinador Externo: Hugo Valadares Siqueira (UTFPR)

Examinador Interno: Bruno José Torres Fernandes (PPGEC)

Data-hora: 31 de Julho de 2023 às 09:00h.
Local: Formato Remoto

---

Resumo:

         Metaheuristics can be used to find a good set of parameters values in optimization problems in them industry. However, hazardous or unfeasible values combinations can arise throughout the search process, which can affect productivity and safety. One way to mitigate this problem is to make metaheuristic approaches incorporate constraints to prevent unsafe behaviour. In this work, we propose modifications on the restricted niching version of Fish School Search algorithm (rwFSS) to create a new version capable of better tackling constrained optimizations, referred as Enhanced Restricted Weight-Based Fish School Search (e-rwFSS). This algorithm exploits the search space in terms of fitness and feasibility and provide multiple solutions. e-rwFSS enables the constraints to be tackled gradually using adjustable tolerances and favours feasible individuals on sub swarm leader’s selection to enhance algorithm’s convergence. The proposed approach was compared to rwFSS and to other state-of-the-art algorithms with proven capabilities on solving constrained optimization problems (COPs). The benchmark functions for the CEC 2020 competition on real-world constrained optimization were used to evaluate the algorithms. Tests proved that e-rwFSS enhanced feasibility capabilities regarding equality constraints, but it still struggles to show competitiveness with other consolidated state-of-the-art algorithms on highly constrained search spaces.