Rodríguez Ramos, A., Silva Neto, A. J. e Llanes Santiago, O., An Approach to Fault Diagnosis with Online Detection of Novel Faults Using Fuzzy Clustering Tools, Expert Systems with Applications, Vol. 113, pp. 200-212, 2018
Este artigo apresenta uma abordagem para diagnóstico de falhas com detecção online de novas falhas e aprendizado automático usando técnicas de agrupamento fuzzy. No estágio de aprendizado off-line, o classificador é treinado para diagnosticar as falhas conhecidas e o estado normal de operação usando os algoritmos Density Oriented Fuzzy C-Means e Kernel Fuzzy C-Means. Nesta etapa, os dados históricos previamente selecionados por especialistas, são primeiramente pré-processados para eliminar outliers e reduzir a confusão no processo de classificação por meio do algoritmo Density Oriented Fuzzy C-Means. Posteriormente, o algoritmo Kernel Fuzzy C-Means é utilizado para obter maior separabilidade entre as classes e reduzir os erros de classificação. Finalmente, a otimização dos dois parâmetros utilizados por estes algoritmos na fase de treino é desenvolvida utilizando um algoritmo de otimização bioinspirado, nomeadamente a evolução diferencial. Após o treinamento, o classificador é utilizado online (etapa de diagnóstico online) para classificar as novas observações que são coletadas do processo. Nesta etapa, é aplicada a detecção de novas falhas com base na densidade por meio do algoritmo DOFCM. O algoritmo analisa as observações pertencentes a uma janela de tempo que não foram classificadas nas classes conhecidas e determina se são uma nova classe ou outliers. Se uma nova classe for identificada, um procedimento é desenvolvido para incorporá-la ao conjunto de classes conhecidas. A abordagem proposta foi validada utilizando o benchmark Desenvolvimento e Aplicação de Métodos para Diagnóstico de Atuadores em Sistemas de Controle Industrial (DAMADICS). Os resultados obtidos indicam a viabilidade do método proposto.