• JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
 
  Bookmark and Share
 
 
Doctoral Thesis
DOI
10.11606/T.18.2017.tde-17022017-105129
Document
Author
Full name
Denis Borg
Institute/School/College
Knowledge Area
Date of Defense
Published
São Carlos, 2016
Supervisor
Committee
Brandão, Dennis (President)
Flauzino, Rogério Andrade
Lugli, Alexandre Baratella
Ogashawara, Osmar
Serni, Paulo José Amaral
Title in Portuguese
Redes neurais e support vector machines como técnicas de diagnósticos em medições industriais de nível por tecnologia tipo radar sem contato e apoio à decisão para a melhoria de sua aplicação
Keywords in Portuguese
Diagnósticos
Medição de nível
Radares
Redes neurais
SVM
Abstract in Portuguese
O objetivo dessa tese é detectar e classificar problemas de medição de nível por princípio de radar de propagação de onda livre por meio de RNA (redes neurais artificiais) e SVM (support vector machines) aliados à tratamentos estatísticos. Um primeiro cenário com ambiente controlado foi montado para a obtenção de dados preliminares. Na sequência, outros três cenários empregaram dados industriais reais. Para tanto, algumas topologias de redes neurais em quatro cenários diferentes foram testadas e foi possível demonstrar o funcionamento eficiente da RNA com acertos de 100% para o primeiro cenário, 93,51% para o segundo, 99,75% para o terceiro e de 99,94% para o quarto cenário. Para esses mesmos quatro cenários, os resultados de classificação do SVM foram de 100%, 84,41%, 93,74% e de 96,40%. Os resultados obtidos demonstram que a técnica desenvolvida pode ser aplicada à cenários reais de medição de nível. Após a classificação dos problemas pela RNA ou SVM é recomendada a utilização de alguns dos ícones baseados na norma internacional NAMUR NE107 para reportar as diferentes classificações de problemas resultantes da aplicação das técnicas dessa tese. Propõe-se que essas técnicas sejam embarcadas em aplicativos computacionais de gerenciamento de ativos para melhorar a confiabilidade da medição, antecipar rotinas de manutenção dos instrumentos e aumentar a segurança da planta industrial através de reportes adequados aos usuários dos problemas de medição de nível e do mapeamento das fases do processo.
Title in English
Neural networks and support vector machines as diagnosing tool for industrial level measurement through non-contacting radar type and support to the decision for its better application
Keywords in English
Diagnostics
Level measurement
Neural networks
Radars
SVM
Abstract in English
The aim of this Thesis is to detect and classify level measurement problems by free wave propagation radars using ANN (artificial neural network) and SVM (support vector machines) with statistical pre-processing data. In the first scenario, a controlled environment was build in order to get the preliminary data. In addition, three other scenarios with real industry data was considered. Therefore, some topologies of neural networks and SVM in four different scenarios were tested and it was demonstrated the efficiency of ANN to reach an accuracy rate of 100% for the first scenario, 93.51% for the second, 99.75% for third and 99.94% for the fourth scenario. For these same four scenarios, the results of SVM classification were 100%, 84.41%, 93.74% and 96.40%. After classifying the problems by ANN or SVM, it is recommended to use some of the icons following the international standard NAMUR NE107 to report the different classifications of problems within this thesis. It is proposed that these techniques be embedded in asset management environment to improve the reliability of level measurement, antecipate maintenance routines and improve plant safety through adequately reporting the classified problems and mapping stage of the process to the users.
 
WARNING - Viewing this document is conditioned on your acceptance of the following terms of use:
This document is only for private use for research and teaching activities. Reproduction for commercial use is forbidden. This rights cover the whole data about this document as well as its contents. Any uses or copies of this document in whole or in part must include the author's name.
Denis.pdf (4.19 Mbytes)
Publishing Date
2017-02-22
 
WARNING: Learn what derived works are clicking here.
All rights of the thesis/dissertation are from the authors
CeTI-SC/STI
Digital Library of Theses and Dissertations of USP. Copyright © 2001-2021. All rights reserved.