English (United Kingdom)

https://curated-unify.zendy.io/wp-json/zendy-region/v1/featured_content/oa?rat=en

https://curated-unify.zendy.io/wp-json/zendy-region/v1/highlighted_journal/

Global: Zendy Plus annual

Presents the access of premium content as premium feature

Premium Content

Presents the keyphrase highlighting as premium feature

Keyphrase Highlighting

Presents the summarisation as premium feature

Summarisation

Insights

Presents the pdf analysis as premium feature

PDF Analysis

Presents the zaia usage as premium feature

ZAIA

Global: Zendy Tools annual

Global: Zendy Free Plan

Global: Zendy Tools monthly

Global: Zendy Plus monthly

In this paper, we propose the use of the online learning clustering algorithm, named as SOStream, to fault detection of industrial process operation. In order to carry out this activity, it was necessary to adapt the original algorithm for avoiding fault data to be approximately normal data clusters. Aiming to evaluate the performance of the SOStream, we performed a case study using the industrial plant simulator Tennessee Eastman Process. The analysis was done taking that into account multivariable monitoring scenarios, obtaining results above 90% in accuracy and recall. This, it was observed that the analyzed approach obtained good performance to fault detection. In addition, the algorithm SOStream has characteristics very interesting for real-time fault detection, such as unsupervised and online learning, data-driven approach and recursive, which does not require storing the previous samples. Resumo: Neste artigo, propomos a utilização do algoritmo evolutivo de clusterização online SOStream para detecção de falhas em processos industriais. Para isso, a metodologia proposta inclui uma adaptação no algoritmo original para evitar que dados de falha sejam sejam aproximados para clusters de dados normais. A fim de validar a metodologia, um estudo de caso utilizando o simulador de plantas industriais Tennessee Eastman Process foi realizado. A análise foi feita em uma sequência cont́ınua de dados, denominada de fluxo ou stream de dados, e de forma multivariável, obtendo-se resultados acima de 90% em precisão e recall. Essa abordagem evolutiva por ser baseada em dados e não supervisionada, torna o processo de detecção de falhas mais simples e com menor custo computacional quando comparado com as técnicas baseadas em modelos, além de possuir um dinamismo recursivo, não necessitando armazenar o histórico das amostras anteriores.

Detecção de Falhas em Processos Industriais Baseada no Algoritmo Evolutivo SOStream