Técnica de seleção de variáveis em problemas de classificação de falhas aplicada em processo industrial usando o algoritmo genético MOEADD

Autores

  • Leonardo Macedo Freire Universidade Estadual de Montes Claros - Unimontes. Montes Claros, MG. Brasil. https://orcid.org/0000-0001-9559-0303
  • Luiz Carlos Gabriel Filho Universidade Estadual de Montes Claros - Unimontes/ Universidade Federal de Minas Gerais - UFMG-ICA. Montes Claros, MG. Brasil. https://orcid.org/0000-0003-1740-9753
  • Luana Michelly Aparecida da Costa Universidade Estadual de Montes Claros - Unimontes. Montes Claros, MG. Brasil. https://orcid.org/0000-0002-9939-274X
  • Marcos Flávio Silveira Vasconcelos D'Angelo Universidade Estadual de Montes Claros - Unimontes. Montes Claros, MG. Brasil. https://orcid.org/0000-0001-5754-3397
  • Maurílio José Inácio Universidade Estadual de Montes Claros - Unimontes. Montes Claros, MG. Brasil. https://orcid.org/0000-0003-0744-0845
  • Rosivaldo Antônio Gonçalves Universidade Estadual de Montes Claros - Unimontes. Montes Claros, MG. Brasil. https://orcid.org/0000-0003-3275-5224

DOI:

https://doi.org/10.35699/2447-6218.2019.15357

Palavras-chave:

Indústria, KNN, Operadores Genéticos, Inteligência Computacional

Resumo

Neste trabalho é proposto um  método de seleção de variáveis denominado MOEADD-KNN-M, que é baseado no algoritmo genético MOEADD (Evolutionary Many-Objective Optimization Algorithm Based on Dominance and Decomposition), no algoritmo de classificação KNN (K-nearest neighbors), e em operadores genéticos adaptados. A abordagem adotada no algoritmo proposto é bi-objetivo, onde um objetivo é minimizar a quantidade de variáveis da solução e outro objetivo é minimizar a taxa de erro de classificação de falhas. Foram realizados  experimentos com o método proposto empregando dados de um processo industrial petroquímico real, denominado Tennessee Eastman para classificação de falhas, e os resultados obtidos foram comparados com outros algoritmos. Os resultados demonstraram que o método proposto leva a soluções com baixo erro de classificação e pouca quantidade de sensores, que são as quantidades procuradas para serem minimizadas. Sendo assim, essa abordagem se mostrou promissora para a aplicação na seleção de variáveis em problemas de classificação de falhas em processos industriais.

Downloads

Não há dados estatísticos.

Biografia do Autor

Leonardo Macedo Freire, Universidade Estadual de Montes Claros - Unimontes. Montes Claros, MG. Brasil.

 

 

Marcos Flávio Silveira Vasconcelos D'Angelo, Universidade Estadual de Montes Claros - Unimontes. Montes Claros, MG. Brasil.

 

 

Maurílio José Inácio, Universidade Estadual de Montes Claros - Unimontes. Montes Claros, MG. Brasil.

 

 

Rosivaldo Antônio Gonçalves, Universidade Estadual de Montes Claros - Unimontes. Montes Claros, MG. Brasil.

 

 

Referências

Ahmad, I. (2015). Feature selection using particle swarm optimization in intrusion detection. International Journal of Distributed Sensor Networks, 11(10):806954.

Al-Ani, A., Alsukker, A., e Khushaba, R. N. (2013). Feature subset selection using differential evolution and a wheel based search strategy. Swarm and Evolutionary Computation, 9:15–26.

Allegrini, F. e Olivieri, A. C. (2011). A new and efficient variable selection algorithm based on ant colony optimization. applications to near infrared spectroscopy/partial leastsquares analysis. Analytica chimica acta, 699(1):18–25.

Brusco, M. J. (2014). A comparison of simulated annealing algorithms for variable selection in principal component analysis and discriminant analysis. Computational Statistics & Data Analysis, 77:38–53. Chandrashekar, G. e Sahin, F. (2014). A survey on feature selection methods. Computers & Electrical Engineering, 40(1):16–28.

Foster, D., Karloff, H., e Thaler, J. (2015). Variable selection is hard. In Conference on Learning Theory, p. 696–709.

Guyon, I. e Elisseeff, A. (2003). An introduction to variable and feature selection. Journal of machine learning research, 3(Mar):1157–1182.

Kohavi, R. e John, G. H. (1997). Wrappers for feature subset selection. Artificial intelligence, 97(1-2):273–324.

Li, K., Deb, K., Zhang, Q., e Kwong, S. (2014). An evolutionary manyobjective optimization algorithm based on dominance and decomposition. IEEE Transactions on Evolutionary Computation, 19(5):694–716.

Marill, T. e Green, D. (1963). On the effectiveness of receptors in recognition systems. IEEE transactions on Information Theory, 9(1):11–17.

Mukhopadhyay, A., Maulik, U., Bandyopadhyay, S., e Coello, C. A. C. (2013). A survey of multiobjective evolutionary algorithms for data mining: Part i. IEEE Transactions on Evolutionary Computation, 18(1):4–19.

Silva, F. M. S., Ferreira, J. F., Palhares, R. M., e D’Angelo, M. F. S. V. (2017). Uma abordagem evolutiva multiobjetivo baseada em ponto de atração para seleção de variáveis em problemas de classificação de falhas. XLIX Simpósio Brasileiro de Pesquisa Operacional.

Venkatasubramanian, V., Rengaswamy, R., e Kavuri, S. N. (2003a). A review of process fault detection and diagnosis: Part ii: Qualitative models and search strategies. Computers & chemical engineering, 27(3):313–326.

Venkatasubramanian, V., Rengaswamy, R., Kavuri, S. N., e Yin, K. (2003b). A review of process fault detection and diagnosis: Part iii: Process history based methods. Computers & chemical engineering, 27(3):327–346.

Venkatasubramanian, V., Rengaswamy, R., Yin, K., e Kavuri, S. N. (2003c). A review of process fault detection and diagnosis: Part i: Quantitative model-based methods. Computers & chemical engineering, 27(3):293–311.

Whitney, A. W. (1971). A direct method of nonparametric measurement selection. IEEETransactions on Computers, 100(9):1100–1103.

Yu, L. e Liu, H. (2004). Efficient feature selection via analysis of relevance and redundancy. Journal of machine learning research, 5(Oct):1205–1224.

Downloads

Publicado

2019-12-01

Como Citar

Freire, L. M., Gabriel Filho, L. C., Costa, L. M. A. da, D’Angelo, M. F. S. V., Inácio, M. J., & Gonçalves, R. A. (2019). Técnica de seleção de variáveis em problemas de classificação de falhas aplicada em processo industrial usando o algoritmo genético MOEADD. Caderno De Ciências Agrárias, 11, 1–6. https://doi.org/10.35699/2447-6218.2019.15357

Edição

Seção

ARTIGOS ORIGINAIS