Seleção de Atributos em aprendizado de máquina para identificação de falha em motores de combustão interna

Abstract

A busca por métodos eficazes para obter uma detecção precisa de falhas, cresce constantemente, sendo o uso de sensores de medição uma das principais técnicas, porém custosos. Nesse sentido, a aplicação de algoritmos de Aprendizagem de Máquina para identificar falhas ganhou popularidade e adesão, devido ao alto desempenho e baixo custo comparado a outras técnicas. Para melhorar o desempenho dos algoritmos e ter maior precisão para identificação algumas estratégias podem ser abordadas, como selecionar os atributos que melhor descrevem a falha. Para isso, a Seleção de Atributos é realizada para identificar atributos significativos em um conjunto de dados. A seleção alinhada ao aprendizado contribuem. significativamente, para o ambiente industrial e automotivo, em virtude da capacidade de explorar grandes quantidades de dados para identificação e predição de falhas. O trabalho aborda as etapas de aquisição e processamento de dados do processo de Aprendizado de Máquina, procurando selecionar os dados antecedentes e causadores mais significantes, para identificar as falhas de ignição e detonação. Primeiramente, gerando uma grande quantidade de dados para aplicação dos métodos de Seleção de Atributos, utilizando o software INCA e o hardware desenvolvido para o projeto que este trabalho está inserido, com o desenvolvimento de um software para geração de experimentos para as simulações, em seguida, aplicando os métodos e utilizando os resultados para comparação do desempenho dos algoritmos de aprendizagem para identificação das falhas.

The search for effective methods to obtain an accurate detection of faults grows constantly, being the use of measurement sensors one of the main techniques, however, very expensive. In this sense, the application of Machine Learning algorithms to identify faults has gained popularity and acceptance due to the high performance and low cost compared to other techniques. To improve the performance of the algorithms and have greater accuracy for identification, some strategies can be addressed, such as selecting the attributes that best describe the failure. For this, Features Selection is performed to identify significant attributes in a dataset. Machine Learning Aligned Features Selection contributes significantly to the industrial and automotive environment, due to the ability to exploit large amounts of data for failure identification and prediction. The work addresses the stages of data acquisition and processing of the Machine Learning process, seeking to select the most significant antecedent and causative data to identify misfire and knocking noise. First, generating a large amount of data for the application of the Features Selection methods using the INCA software and the hardware developed for the project that this work is inserted in with the development of a software for generating experiments for the simulations, then applying the methods and using the results to compare the performance of the learning algorithms to identify the failures.