Para citar este trabalho use um dos padrões abaixo:
APLICAÇÃO DE MACHINE LEARNING PARA DETECÇÃO DE FALHAS EM MÁQUINAS ROTATIVAS DE GERAÇÃO DE ENERGIA
LUÍS OTÁVIO GARAVASO
UNICAMP
Agora você poderia compartilhar comigo suas dúvidas, observações e parabenizações
Crie um tópicoMáquinas rotativas são indispensáveis na geração energética, pois atuam desde a extração de recursos até a transformação em energia para o consumidor final. Componentes rotativos, no entanto, estão sujeitos a diversos tipos de falhas, como ovalização de mancais, desbalanceamento rotativo e empenamento de eixo, que alteram a vibração do sistema provocando padrões característicos, conhecidos por assinaturas de falha. Consequentemente, a interpretação dessas marcas na vibração de uma máquina pode permitir, com o uso de ferramentas adequadas, a identificação de falhas mecânicas no sistema. Dessa forma, os maquinários podem ser diagnosticados e operações de manutenção podem ser adequadamente programadas, reduzindo tanto o tempo de reparo quanto a taxa de falhas dos componentes. Uma das ferramentas que pode ser utilizada é o Machine Learning, um tipo de programação que, por meio de métodos matemáticos e uma quantidade expressiva de dados, supera as limitações da programação clássica. Essa pesquisa, então, visa combinar conhecimentos da engenharia mecânica com técnicas de Machine Learning para avaliar o desempenho em detecção de falhas mecânicas de três algoritmos amplamente utilizados nessa área de conhecimento: a Regressão Logística, o Support Vector Machines e as Redes Neurais Artificiais.
Apoio/Financiamento da Pesquisa: PIBIC/CNPq
MARCELO EDUARDO PEDERIVA
Olá Luís,
Primeiramente, parabéns pelo trabalho! É um projeto bem interessante, você apresentou muito bem o problema e os modelos que foram utilizados.
Fiquei apenas com uma dúvida em relação aos dados utilizados para o treinamento.
No texto (“Geração de dados”), foi apresentado que do conjunto total de dados, 80% seriam para treino. Entretanto, na Tabela 2, os modelos utilizaram diferentes porcentagens do valor total de 700003 amostras citados no início da seção (“Resultados e Discussão”), poderia me esclarecer?
Parabens novamente pelo trabalho.
Laís Bittencourt Visnadi
Olá, Luís! Parabéns pelo seu trabalho e pela sua apresentação. O tema é interessante e bastante atual. Sua apresentação foi muito fluida e interessante!
Você pode explicar um pouco melhor como é definida a quantidade de dados de treino necessária para cada algoritmo?
Obrigada e parabéns!
LUÍS OTÁVIO GARAVASO
Oii Laís !! Muito obrigado pelo feedback !
Supondo que já exista um dataset, você geralmente vai separar entre 80% e 90% dos dados para treino. No entanto, mais importante que essas faixas bem definidas, você precisa que os conjuntos de treino e de teste tenham aproximadamente a mesma quantidade de condições saudáveis e de falha (chamamos isso de datasets balanceados). Ex. se tivermos 30000 amostras de falha e 70000 amostras saudáveis e separarmos 90% dos dados para treino, a distribuição final será:
Agora, em alguns casos você vai acabar fugindo da faixa de 80% à 90% para levar em consideração características dos algoritmos.
No caso do SVM, por exemplo, o algoritmo não converge se treinado com um dataset maior que algumas dezenas de milhares de amostras (por isso o número de 15000).
A Rede Neural, por outro lado, respeita a regra do "quanto mais melhor" , lidando muito bem com grandes conjuntos de dados e mostrando melhorias significativas com mais dados de treino.
No projeto, ainda, buscamos avaliar se grandes conjuntos de treino realmente eram necessários e, por sorte, o SVM atingiu resultados impressionantes com um dataset de treino 40x do aquele fornecido à rede neural.
Esse é um resultado que nos anima, pois sabemos que coletar dados reflete diretamente em custos nas operações reais !
Espero ter esclarecido as suas dúvidas !
Obrigado mais uma vez pelo feedback, abração.
Com ~200 mil publicações revisadas por pesquisadores do mundo todo, o Galoá impulsiona cientistas na descoberta de pesquisas de ponta por meio de nossa plataforma indexada.
Confira nossos produtos e como podemos ajudá-lo a dar mais alcance para sua pesquisa:
Esse proceedings é identificado por um DOI , para usar em citações ou referências bibliográficas. Atenção: este não é um DOI para o jornal e, como tal, não pode ser usado em Lattes para identificar um trabalho específico.
Verifique o link "Como citar" na página do trabalho, para ver como citar corretamente o artigo
LUÍS OTÁVIO GARAVASO
Olá Marcelo !!
Muito obrigado pelo feedback.
Realmente houve um desacordo entre a sessão de Geração de Dados e a de Resultados e Discussão e, por isso, peço desculpas pela confusão.
Faixas de Treino entre 80% e 90% geralmente são as mais utilizadas em problemas de Machine Learning e isso deveria ter sido melhor explicado no texto.
Especificamente no nosso caso, ainda, acabamos fugindo um pouco da regra, pois é praticamente impossível o SVM convergir com datasets maiores que algumas centenas de milhares de amostras.
A Rede Neural por outro lado, lida muito bem com grandes conjuntos de dados e por isso fornecemos 630000 amostras (aproximadamente 90% do conjunto).
O que acho mais impressionante é o SVM atingindo resultados similares a uma Rede Neural com um dataset 40x menor !!
Isso nos anima bastante, pois nem sempre teremos datasets grandes disponíveis para treinamento.
Espero que tenha esclarecido e peço desculpas novamente pela confusão.
Valeu demais !
Abração