Divulgação - Defesa Nº 276

Aluno: Jander Rodrigo de Santana Vieira

Título: "Sistema Classificador Bayesiano de Risco Baseado em Agrupamento de Dois Estágios para Ocorrência de Flashover em Isoladores de Alta Tensão".

Orientador: Byron Leite Dantas Bezerra

Coorientador: Sérgio Campello Oliveira

Examinador Externo: Eduardo Fontana (UFPE)

Examinador Interno: João Fausto Lorenzato de Oliveira (PPGEC)

Data-hora: 17 de Agosto de 2023 às 14:00h.
Local: Formato Remoto

---

Resumo:

         Descargas parciais em cadeias de isoladores de alta tensão são uma fonte comum de problemas em redes elétricas. Elas ocorrem quando a tensão aplicada excede a capacidade dielétrica dos isoladores, causando pequenos arcos elétricos que danificam a superfície do isolador e reduzem sua eficácia. O acúmulo de poluentes nos isoladores pode aumentar a probabilidade de ocorrência de descargas parciais ou até mesmo de descargas completas, conhecidas como "flashover". Flashover é um evento de falha elétrica de alta energia que pode causar falhas no sistema, além de ser perigoso para pessoas e equipamentos próximos. O monitoramento precoce de descargas parciais permite que medidas corretivas sejam tomadas antes que ocorra um flashover, possibilitando a adoção de medidas preventivas. Neste trabalho, foi utilizado um classificador bayesiano para identificar o risco de falhas, com base no agrupamento da taxa de atividade em relação à umidade relativa. A análise foi realizada utilizando um conjunto de dados obtido por meio de uma rede de sensores instalados em estações de monitoramento ao longo de linhas de transmissão de alta tensão e foram realizados experimentos com o cruzamento de dados de diferentes estações a fim avaliar a intercambialidade entre os dados. O método testado permitiu o monitoramento do risco de ocorrência de flashover sob uma métrica padronizada que se auto ajusta ao banco de dados utilizado. Além disso, os resultados mostraram que o classificador foi capaz de identificar a evolução do estado normal até atingir o estado anômalo do isolador com antecedência e prever descargas parciais mais severas. Também ficou constatado que a rede treinada com os dados coletados em uma determinada estação de monitoramento, poderá ser utilizado em uma estação distinta através da transferência de aprendizado.

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.