Please use this identifier to cite or link to this item: https://repositorio.ufjf.br/jspui/handle/ufjf/6513
Files in This Item:
File Description SizeFormat 
nielsonsoares.pdf4.24 MBAdobe PDFThumbnail
View/Open
Type: Dissertação
Title: Técnicas de aprendizado de máquina não supervisionado para a prevenção de falhas em máquinas de chave
Author: Soares, Nielson
First Advisor: Fonseca, Leonardo Goliatt da
Co-Advisor: Aguiar, Eduardo Pestana de
Referee Member: Campos, Luciana Conceição Dias
Referee Member: Silva, Eduardo Krempser da
Resumo: As máquinas de chave são equipamentos eletromecânicos de grande importância em uma malha ferroviária. A ocorrência de falhas nesses equipamentos pode ocasionar interrupções das ferrovias e acarretar potenciais prejuízos econômicos. Assim, um diagnóstico precoce dessas falhas pode representar uma redução de custos e um aumento de produtividade. Essa dissertação tem como objetivo propor um modelo preditivo, baseado em técnicas de inteligência computacional, para a solução desse problema. A metodologia aplicada compreende o uso de técnicas de extração e seleção de características baseada em testes de hipóteses e modelos de aprendizado de máquina não supervisionado. O modelo proposto foi testado em uma base de dados disponibilizada por uma empresa ferroviária brasileira e se mostrou eficiente ao constatar como críticas as operações realizadas próximas à operação classificada como falha.
Abstract: Railroad switch machines are important electromechanical equipment in a railway network, and the occurrence of failures in such equipment can cause railroad interruptions and lead to potential economic losses. Thus, an early diagnosis of these failures can represent a reduction of costs and an increase in productivity. This dissertation aims to propose a predictive model, based on computational intelligence techniques, to solve this problem. The applied methodology includes the use of features extraction and selection techniques based on hypothesis tests and unsupervised machine learning models. The proposed model was tested in a database made available by a Brazilian railway company and proved to be efficient when considering as critical the operations performed close to the operation classified as failure.
Keywords: Máquinas de chave
Inteligência computacional
Aprendizado de máquina
Previsão de falhas
Railroad switch
Computational intelligence
Machine learning
Failure prediction
CNPq: CNPQ::CIENCIAS EXATAS E DA TERRA
Language: por
Country: Brasil
Publisher: Universidade Federal de Juiz de Fora (UFJF)
Institution Initials: UFJF
Department: ICE – Instituto de Ciências Exatas
Program: Programa de Pós-graduação em Modelagem Computacional
Access Type: Acesso Aberto
URI: https://repositorio.ufjf.br/jspui/handle/ufjf/6513
Issue Date: 27-Feb-2018
Appears in Collections:Mestrado em Modelagem Computacional (Dissertações)



Items in DSpace are protected by Creative Commons licenses, with all rights reserved, unless otherwise indicated.