| Name: | Description: | Size: | Format: | |
|---|---|---|---|---|
| 27.57 MB | Adobe PDF |
Abstract(s)
This thesis aims to demonstrate a methodology able to diagnosis, through the Hidden
Markov Model (HMM), the health state of production equipment, as well as the calibration
state of sensors reading equipment. Through a well-defined methodology, the observations
collected by the sensors are optimised to give input into a HMM, that are translated into
hidden states, which represent the diagnosis of the equipment under study, being: State 1 -
"Good working"; State 2 - "Warning"; State 3 - "Fault/Uncalibrated".
After collecting the data, it goes through a cleaning process that will improve its quality and
integrity. Then, a feature generation phase is performed. This phase is extremely important
because the information can be managed for the desired equipment. It is through this stage
that we can distinguish the diagnosis between the production equipment and the reading
equipment. Next, a dimensional reduction of the data is performed, through Principal
Component Analysis (PCA) and an extraction of new features that, although in smaller
amounts, have more information each one. Then, the new data matrix is applied to a
Clustering, performed by K-means, with the objective of grouping similar data within the
same group. This will cause good working data to be in one cluster and bad working data to
be in a different cluster. These clusters will be the optimized observable states that give
input to the HMM. Subsequently, the HMM translates the observable states into a sequence
of hidden states that represent the diagnosis of the equipment.
Besides the methodology available to detect different types of information from the same
data set, it has more capabilities, such as: imputing values in time series with few samples
through Deep Neural Network (DNN) methods, namely the Multi-Layer Perceptron (MLP)
model; performing the equipment health status prognosis through the Deep Neural
Network (DNN), the Gated Recurrent Unit (GRU).
Esta tese visa demonstrar uma metodologia capaz de diagnosticar, através do Modelo Oculto de Markov (HMM, Hidden Markov Models), o estado de saúde de equipamento de produção, bem como o estado de calibração dos sensores acoplados ao equipamento. Através de uma metodologia bem definida, as observações recolhidas pelos sensores são otimizadas para dar entrada num HMM. Após o treino, as observações são traduzidas em estados ocultos, que representam o diagnóstico do equipamento em estudo, sendo: Estado 1 - "Bom funcionamento"; Estado 2 - "Alerta"; Estado 3 - "Avaria/Descalibrado". Após a recolha dos dados, estes passam por um processo de limpeza que irá melhorar a sua qualidade e integridade. Em seguida, é realizada uma fase de geração de características. Esta fase é extremamente importante porque a informação pode ser gerida para o equipamento desejado. É através desta fase que se pode distinguir o diagnóstico entre o equipamento de produção e o dispositivo de leitura (sensores). Em seguida é realizada uma redução dimensional dos dados, através da Análise de Componentes Principais (PCA, Principal Components Analysis) e uma extração de novas características que, embora em quantidades menores, cada uma tem mais informação. Em seguida, a nova matriz de dados é aplicada a um Clustering, realizado por K-means, com o objetivo de agrupar dados semelhantes dentro do mesmo grupo. Isto fará com que dados de bom funcionamento fiquem num cluster e dados de mau funcionamento fiquem num cluster diferente. Estes clusters serão os estados observáveis otimizados. Subsequentemente, o HMM traduz os estados observáveis numa sequência de estados ocultos que representam o diagnóstico do equipamento. Além da metodologia disponível para detetar diferentes tipos de informação do mesmo conjunto de dados, esta tem mais capacidades, tais como: imputar valores em séries temporais com poucas amostras através dos métodos da Rede Neural Profunda (DNN, Deep Neural Network), nomeadamente o modelo Multi-Layer Perceptron (MLP), bem como realizar o prognóstico do estado de saúde do equipamento através da DNN, Gated Recurrent Unit (GRU).
Esta tese visa demonstrar uma metodologia capaz de diagnosticar, através do Modelo Oculto de Markov (HMM, Hidden Markov Models), o estado de saúde de equipamento de produção, bem como o estado de calibração dos sensores acoplados ao equipamento. Através de uma metodologia bem definida, as observações recolhidas pelos sensores são otimizadas para dar entrada num HMM. Após o treino, as observações são traduzidas em estados ocultos, que representam o diagnóstico do equipamento em estudo, sendo: Estado 1 - "Bom funcionamento"; Estado 2 - "Alerta"; Estado 3 - "Avaria/Descalibrado". Após a recolha dos dados, estes passam por um processo de limpeza que irá melhorar a sua qualidade e integridade. Em seguida, é realizada uma fase de geração de características. Esta fase é extremamente importante porque a informação pode ser gerida para o equipamento desejado. É através desta fase que se pode distinguir o diagnóstico entre o equipamento de produção e o dispositivo de leitura (sensores). Em seguida é realizada uma redução dimensional dos dados, através da Análise de Componentes Principais (PCA, Principal Components Analysis) e uma extração de novas características que, embora em quantidades menores, cada uma tem mais informação. Em seguida, a nova matriz de dados é aplicada a um Clustering, realizado por K-means, com o objetivo de agrupar dados semelhantes dentro do mesmo grupo. Isto fará com que dados de bom funcionamento fiquem num cluster e dados de mau funcionamento fiquem num cluster diferente. Estes clusters serão os estados observáveis otimizados. Subsequentemente, o HMM traduz os estados observáveis numa sequência de estados ocultos que representam o diagnóstico do equipamento. Além da metodologia disponível para detetar diferentes tipos de informação do mesmo conjunto de dados, esta tem mais capacidades, tais como: imputar valores em séries temporais com poucas amostras através dos métodos da Rede Neural Profunda (DNN, Deep Neural Network), nomeadamente o modelo Multi-Layer Perceptron (MLP), bem como realizar o prognóstico do estado de saúde do equipamento através da DNN, Gated Recurrent Unit (GRU).
Description
Keywords
Metrologia HMM - Hidden Markov Models OLM - Online Calibration Monitoring Manutenção Sensores Machine Learning Metrology