Programa de Pós-Graduação em Engenharia Elétrica e de Computação

URI Permanente desta comunidadehttps://repositorio.ufrn.br/handle/123456789/11949

Navegar

Agora exibindo 1 - 2 de 2

Enhancing fault and failure prediction in redundancy models: a novel approach using generalized stochastic petri networks and spiking neural networks
(Universidade Federal do Rio Grande do Norte, 2024-02-29) Abreu, Rute Souza de; Silva, Ivanovitch Medeiros Dantas da; https://orcid.org/0000-0002-0116-6489; http://lattes.cnpq.br/3608440944832201; http://lattes.cnpq.br/7179002501337812; Costa, Daniel Gouveia; Villanueva, Juan Moisés Mauricio; Oliveira, Luiz Affonso Henderson Guedes de; Moioli, Renan Cipriano
A previsão de falhas desempenha um papel importante em diversos setores, como indústria, tecnologia, setor médico, entre outros. Esta tarefa pode auxiliar na redução de custos de manutenção de equipamentos, prevenção de acidentes e desastres e melhoria da confiabilidade do sistema, uma vez que pode aumentar a disponibilidade reduzindo o tempo de inatividade do sistema. Este trabalho apresenta uma metodologia para previsão de falhas em modelos de redundância projetados utilizando a formalidade de Redes de Petri Estocásticas Generalizadas. A abordagem compreende as etapas de modelagem e simulação de sistemas com redundância ativa e passiva sob diferentes cenários de falhas, como chaveamentos imperfeitos, falhas em standby e falhas de causa comum, bem como geração de conjuntos de dados de falhas e implementação de um modelo de aprendizado de máquina para realizar a previsão de falhas. Para a etapa de aprendizado, esta pesquisa utiliza Redes Neurais Pulsadas (RNPs), que foram reconhecidas como a terceira geração de Redes Neurais Artificiais. Assim como as redes neurais artificiais típicas, as RNPs inspiram-se na dinâmica biológica do cérebro, incorporando a topologia interconectada dos neurônios em sua arquitetura. No entanto, enquanto as redes neurais convencionais focam na minimização ao de erros por meio do ajuste de pesos, as RNPs visam replicar o processo de aprendizagem simulando o comportamento dos neurônios, levando em consideração elementos do processo biológico, como sinapse, acúmulo de energia, disparo de impulso elétrico e períodos refratários entre as emissões. Devido `a capacidade de capturar aspectos temporais dos dados, as RNPs são amplamente utilizadas em problemas que possuem dinâmicas de tempo. Além disso, a literatura tem mostrado que essas redes são eficientes em termos de tarefas e energia, servindo como uma alternativa de baixo custo em comparação com RNAs convencionais.
A methodology for detection of causal relationships between discrete time series on systems
(2019-01-25) Abreu, Rute Souza de; Oliveira, Luiz Affonso Henderson Guedes de; ; ; Silva, Ivanovitch Medeiros Dantas da; ; Martins, Rodrigo Siqueira;
A necessidade de detectar relações de causalidade entre processos, eventos ou variáveis está presente em diversas áreas do conhecimento, por exemplo, computação distribuída, mercado de ações, indústria, medicina, etc. Isso ocorre porque a identificação dessas relações pode, muitas vezes, ser útil na solução de diversos problemas. Por exemplo, manter a consistência de bancos de dados replicados ao escrever algoritmos distribuídos ou otimizar a compra e venda de ações no mercado financeiro. Neste contexto, esta dissertação propõe uma nova metodologia para detecção de relações de causalidade em sistemas utilizando critérios de informação e redes Bayesianas para gerar uma estrutura de conexões entre séries temporais, de tempo discreto, mais provável. Modelando o sistema como um grafo, no qual os nós são as séries temporais discretas e as arestas representam as relações, a ideia principal deste trabalho é detectar relações de causalidade entre os nós. Essa detecção é feita usando o método de transferência de entropia, que é um método para quantificar a transferência de informação entre duas variáveis, e o algoritmo K2, um método heurístico cujo objetivo é encontrar a estrutura de rede Bayesiana mais provável, dado um conjunto de dados. Porque o K2 depende da premissa de ter uma estrutura previa que define a hierarquia entre os nós da rede, é proposto na metodologia a criação desta pré-ordem considerando as relações diretas e indiretas, e a modelagem destas de acordo com o atraso entre causa e efeito. Além disso, sabendo que o algoritmo K2 considera que cada instância do conjunto de dados ocorre simultaneamente, a metodologia proposta modifica o algoritmo original inserindo nele a dinâmica desses atrasos. Esta modificação provê um mecanismo para comparar as relações de causalidade direta e indireta em relação à contribuição destas para a estrutura da rede. Como resultado obtém-se um grafo que representa relações de causalidade entre as séries, com os atrasos das relações explicitadas.

SIGAA

Navegar

Navegando Programa de Pós-Graduação em Engenharia Elétrica e de Computação por Autor "Abreu, Rute Souza de"