Pós-Graduação em Engenharia de Automação e Sistemas

Laboratório de Automação e Informática Industrial – LAI

Prof. Marcelo Lopes de Lima, Dr. – CENPES/Petrobras;

Prof. Jean-Marie Alexandre Farines, Dr. – DAS/UFSC;

Prof. Daniel Juan Pagano, Dr. – DAS/UFSC;

Prof. Fábio Baldissera, Dr. – DAS/UFSC.

Local

Sala PPGEAS I (piso superior)

Prof. Mauro Roisenberg,  Dr. – INE/UFSC;

Prof. Ademar Gonçaves da Costa Júnior, Dr. – IFPB.

Sala PPGEAS II (piso inferior)

Prof. Tiago Loureiro Figaro da Costa Pinto, Dr. –EMC/UFSC;

Prof. Jomi Fred Hübner, Dr. – DAS/UFSC;

Prof. Antonio Carlos Sobiersanski, Dr. – EMC/UFSC.

solo, espécie invasiva e fundo. Os resultados são apresentados e comparados quantitativamente e qualitativamente. Os mapas de segmentação gerados nas saídas dos modelos, em que as classes são explicitamente separadas podem ser utilizados posteriormente em aplicações práticas de Agricultura de Precisão, como monitoramento local de plantas invasoras, se tornando peça chave na melhoria da produção agrícola. Apesar da dificuldade de se criar um conjunto de dados robusuto e realizar o ground truth das imagens, mostra-se que a técnica gera bons resultados, atingindo valores de F1-Score de 96% e mean IoU de 82%. Esses resultados são melhores do que os resultados relatados anteriormente na literatura, mesmo aqueles que usam espaços de cores especiais e faixas de espectro de luz aprimoradas.

Sala PPGEAS I (piso superior)

Prof. Leandro dos Santos Coelho, Dr. –PUCPR;

Prof. Rodolfo Cesar Costa Flesch, Dr. – DAS/UFSC;

Prof. Gustavo Artur de Andrade, Dr. – DAS/UFSC.

Sala PPGEAS I (piso superior)

Prof. Raimundo José de Araújo Macedo,  Dr. – UFBA ;

Prof. Miguel Correia, Dr. – INESC-ID/Lisboa;

Prof. Frank Siqueira, Dr. – INE/UFSC (suplente).

Local

Projeção – Sala de Reuniões 2 – DAS

Prof. Philippe Bogaerts,  Dr. – 3BIO/BioControl/ULB (Bélgica);

Prof. Emanuele Garone, Dr. – SAAS/ULB (Bélgica).

critical systems such as energy storage systems, the estimation of unmeasured states is of

fundamental importance to guarantee that the occurrence of faults is avoided or, at least,

minimized. In this report, an introduction about FDI is first presented, including the motivation for studying this topic. Next, the design of robust H observers is proposed for  ∞ discrete-time systems in the presence of modeling uncertainties and nonlinearities satisfying Lipschitz-like constraints. This study is extended for discrete-time nonlinear descriptor systems with the view of applying the proposed approach to lithium-ion battery packs.

Then, in order to obtain a numerical and tractable solution, the design conditions are cast  in terms of a convex optimization problem subject to Linear Matrix Inequality (LMI)  constraints. Simulation results illustrate the effectiveness and the performance of the proposed filter despite the presence of unknown inputs (such as disturbances and noise) as well as model uncertainties. Ending this report, the upcoming activities to be carried out in the PhD studies are presented which consist on developing the theory of robust observers for model-based residual generation in fault detection and isolation systems with applications to lithium-ion battery packs.

Sala PPGEAS II (piso inferior)

Prof. Carlos Alberto Flesch, Dr. –EMC/ UFSC;

Prof. Felipe Gomes de Oliveira Cabral, Dr. – DAS/UFSC;

Prof. Marcelo Ricardo Stemmer, Dr. – DAS/UFSC.

Sala PPGEAS I (piso superior)

Prof. Leandro dos Santos Coelho,  Dr. – DELT/UFPR/PUCPR;

Prof. Adilson Gonzaga, Dr. – SEL/USP;

Prof. Jomi Fred Hübner, Dr. – DAS/UFSC.

Dada a complexidade computacional do SVM, na primeira contribuição, nós propusemos um método para viabilizar o uso do SVM em grandes conjuntos de dados (casos que o conjunto de dados em questão não cabe na memória disponível) através da pré-seleção de instâncias candidatas que são mais prováveis a melhorar a performance do erro de generalização. O objetivo do método é diminuir o tempo dos processos de treinamento e ajuste de hiperparâmetros degradando o mínimo possível o erro de generalização.

A segunda contribuição está relacionada com a tarefa de ajuste de hyperparâmetros, que dependendo do caso pode ser demorada. A utilização do SVM com uma função kernel fornece uma liberdade que viabiliza aplicar o método em muitas situações, contudo, a escolha dos hiperparâmetros pode ser um ponto negativo. Desta forma, nós propomos um método para ajuste dos hiperparâmetros com propriedades de convergência matemática que utiliza um mínimo local pré-definido como critério de parada, e possui um mecanismo para escapar de eventuais locais mínimos indesejados. 

Muitas tentativas foram feitas para atacar os problemas do SVM relacionados ao custo computacional, aprendizado incremental e consumo de memória relacionado a ambos. Na última contribuição, nós introduzimos uma nova variação do SVM com uma complexidade computacional menor comparado ao SVM original, que é capaz de lidar com procedimentos incrementais e decrementais (sem a necessidade de re-treinar completamente), e é eficiente na gestão de memória.

Nós realizamos uma pesquisa exploratória para compreender as limitações do SVM, para que sejamos capazes de formular nossas hipóteses. Fizemos uma pesquisa empírica para analisar de maneira mais profunda os métodos através de uma pesquisa bibliográfica por meio de uma revisão sistemática. Definimos o escopo da tese como uma variante do SVM adequada para conjuntos de dados contínuos e de larga escala, com uma solução eficiente para ajustes de hiperparâmetros. Nós conduzimos uma pesquisa quantitativa, com o propósito de validação, que compara diretamente os métodos propostos com trabalhos relacionados utilizando conjuntos de dados referência ou criados de maneira controlada, analisando as saídas de forma numérica (como a exatidão), a complexidade computacional, o tempo de processamento e o consumo de memória RAM. Nós questionamos a validação em relação aos resultados do protocolo experimental e a aplicabilidade em situações reais. Nós desenvolvemos múltiplos procedimentos experimentais para suavizar a incerteza da validação interna e avaliar as variáveis com parâmetros numéricos.

A fim de lidar com grande conjuntos de dados nos problemas de aprendizado nós propomos um método amostragem passiva que seleciona um sub-conjunto dos conjunto de treinamento disponível diminuindo a necessidade de recurso computacional, porém mantendo a capacidade de generalização. Os resultados do protocolo experimental mostra que o método proposto pré-seleciona instâncias que tem mais chance de serem vetores de suporte (e seus respectivos vizinhos), mesmo em um espaço reduzido, logo, não compromete muito a capacidade de generalização.

A maioria dos métodos de ajuste de parâmetros não fornece propriedades de convergência matemática e um critério dinâmico de parada, o que pode resultar em resultados sub-ótimos. Desta maneira, nosso método proposto para seleção de modelo é menos suscetível a resultados sub-ótimos e exige um menor tempo de processamento comparado aos outros métodos. O método proposto fornece ao usuário uma flexibilidade ao permitir a escolha de parâmetros a fim de explorar diferentes estratégias e situações. Os experimentos mostram que o método é mais provável a utilizar menos avaliações de funções para obter um bom conjunto de hiperparâmetros.

Nós introduzimos uma nova variante do SVM adequada para o aprendizado incremental e decremental que integra elementos de vários metódos da literatura. O método proposto mantém a flexibilidade do SVM e adiciona os procedimentos de incremento e decremento. O conceito difuso incorporado realça a resistência à ruído e melhora a performance da generalização quando utilizamos o modelo linear. A etapa incremental pode ser utilizada em diferentes quantidades, e o procedimento decremental controla a complexidade do modelo. Segundo os resultados apresentados, o método possui uma capacidade de generalização competitiva comparada aos melhores métodos disponíveis.]

Nesta tese apresentamos metodologias que visam melhorar as questões de escalabilidade, eficiência computacional e performance de generalização do SVM ou de uma variante, e todos os métodos propostos são adequados para serem utilizados em cenários reais.

Sala PPGEAS I (piso superior).

Prof. Henrique Simas, Dr. – EMC/UFSC;

Prof. Ubirajara Franco Moreno, Dr. – DAS/UFSC;

Prof. Rodrigo Castelan Carlson, Dr. – DAS/UFSC.

Anfiteatro A – Eng. Produção (PPGEP).

Prof. Daniel Martins Lima, Dr. – UFSC/Blumenau;

Prof. Marcelo de Lellis Costa de Oliveira, Dr. – DAS/UFSC;

Prof. Eugênio de Bona Castelan Neto, Dr. – DAS/UFSC.

Portanto, esta dissertação de Mestrado tem como objetivo estudar o complexo paradoxo causado quando ocorrem falhas em sistemas de geração de energia (incluindo sistemas com fontes renováveis). Este trabalho se desdobra em dois grandes eixos: i) Desenvolvimento e aplicação de técnicas de Estimativa, Detecção e Diagnóstico de Falhas; e ii) Desenvolvimento e implementação de estratégias de Controle Tolerante a Falhas. A grande parte das técnicas utilizadas na construção aqui apresentada é derivada de estratégias lineares paramétrico-variantes com garantias de robustez, além de abordagens de Controle Preditivo baseado em Modelo.

Os métodos propostos nos eixos i e ii são cuidadosamente analisa- dos através de diversos ensaios em simulação em processos de geração de energia na indústria da cana-de-açúcar e demonstram-se satisfatórios.