Aprendizado de máquina na detecção de falhas com uso de séries temporais

Foto: PCDN

O tempo é um fator importantíssimo, praticamente todas as atividades que podemos realizar e os fenômenos que podemos observar trazem consigo algum componente de natureza temporal. O estudo do componente tempo, muitas vezes, é essencial para aprimorar a maneira com que uma atividade é realizada para realizá-la da melhor forma possível.

Séries temporais podem demonstrar o desencadeamento de um fenômeno em um espaço de tempo. Um conjunto de observações quantitativas ordenadas cronologicamente, podem implicitamente representar um conceito bem mais complexo que um conjunto apenas de observações, sendo naturalmente empregadas a fenômenos que variam conforme o tempo.

A previsão consiste em estimar valores de observações ainda não coletadas. Dada uma sequência de observações de um fenômeno, conseguir estimar as próximas observações. Para a análise de detecção de falhas, pode-se utilizar duas estratégias, classificação e agrupamento.

 

Classificação

Cada série temporal é produzida por um fenômeno ou representa uma classe distinta de objetos. Dada uma série temporal, o objetivo é descobrir qual fenômeno gerador ou qual classe de objetos ela representa. A classificação é uma das aplicações mais importantes das séries temporais. A classe pode ser definida como um gerador do fenômeno ou pode estar associada ao objeto que produziu a mesma. Com base nas suas observações, a aprendizagem de máquina consegue desenvolver um modelo capaz de indicar a classe de cada série temporal.

Pode-se aplicar também séries temporais em situações que não se tem o fator temporal explicitamente declarado. Na detecção da qualidade de alimentos ( detecção de anomalias em carnes, óleo de cozinha, vinho e etc) utiliza-se espectrogramas gerados a partir de ondas eletromagnéticas analisadas no ponto de vista de séries temporais. Anomalias nessas ondas podem indicar falhas, para isso pode-se usar ondas geradas de produtos bons e ruins e tentar classificar o produto como bom ou ruim de acordo com a similaridade.

Agrupamento

Agrupar nada mais é que encontrar grupos naturais em conjuntos de observações a partir de semelhanças entre os membros. Diferentemente da classificação, os grupos não impõem rótulos e não precisa de conhecimento prévio sobre os dados, apenas é feita uma análise dos dados que possibilita até o descobrimento de estruturas novas que antes eram desconhecidas. Nesse contexto, séries temporais podem auxiliar na inspeção dos dados e podem trabalhar incrementalmente, portanto, a cada rodada ou inserção de novos dados, elementos podem mudar de grupo de acordo com suas características.

Na detecção de falhas, pode-se criar grupos considerados bons e grupos considerados ruins ou de baixa qualidade. Através de do agrupamento, pode-se identificar lotes de produtos com problemas e conseguir isolar o problema a partir da identificação dos motivos que levaram os produtos a apresentarem defeito.

 

Deixe uma resposta