Repository logo
 
Publication

Industrial Sensors Online Monitoring and Calibration Through Hidden Markov Models

2024-01Doctoral thesis Open access
Simple item page
datacite.subject.fosEngenharia e Tecnologia::Engenharia e Gestão Indústrialpt_PT
dc.contributor.advisorCardoso, António João Marques
dc.contributor.advisorFarinha, José Manuel Torres
dc.contributor.authorMartins, Alexandre Daniel Batista
dc.date.accessioned2024-01-23T10:29:12Z
dc.date.available2024-01-23T10:29:12Z
dc.date.issued2024-01
dc.description.abstractThis 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).pt_PT
dc.description.abstractEsta 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).pt_PT
dc.identifier.tid101662114pt_PT
dc.identifier.urihttp://hdl.handle.net/10400.6/14110
dc.language.isoengpt_PT
dc.rights.urihttp://creativecommons.org/licenses/by-nc-sa/4.0/pt_PT
dc.subjectMetrologiapt_PT
dc.subjectHMM - Hidden Markov Modelspt_PT
dc.subjectOLM - Online Calibration Monitoringpt_PT
dc.subjectManutençãopt_PT
dc.subjectSensorespt_PT
dc.subjectMachine Learningpt_PT
dc.subjectMetrologypt_PT
dc.titleIndustrial Sensors Online Monitoring and Calibration Through Hidden Markov Modelspt_PT
dc.typedoctoral thesis
dspace.entity.typePublication
person.familyNameBatista Martins
person.givenNameAlexandre Daniel
person.identifier.ciencia-id1818-2BD6-9240
person.identifier.orcid0000-0001-9947-0894
person.identifier.scopus-author-id57219093082
rcaap.rightsopenAccesspt_PT
rcaap.typedoctoralThesispt_PT
relation.isAuthorOfPublication2f76e796-7535-4ac4-8518-21dfd187563e
relation.isAuthorOfPublication.latestForDiscovery2f76e796-7535-4ac4-8518-21dfd187563e
thesis.degree.nameDoutoramento em Gestão Industrialpt_PT

Files

Original bundle
Now showing 1 - 1 of 1
No Thumbnail Available
Name:
Industrial Sensors Online Monitoring and Calibration Through Hidden Markov Models.pdf
Size:
27.57 MB
Format:
Adobe Portable Document Format
Download
License bundle
Now showing 1 - 1 of 1
No Thumbnail Available
Name:
license.txt
Size:
1.71 KB
Format:
Item-specific license agreed upon to submission
Description:
Download

Collections

FE - DEM | Dissertações de Mestrado e Teses de Doutoramento