Detecção de outliers usando data stream com contextualização de falhas orientada por ontologia na indústria 4.0

Registro completo de metadados
MetadadosDescriçãoIdioma
Autor(es): dc.contributorGomes Junior, Luiz Celso-
Autor(es): dc.contributorhttps://orcid.org/0000-0002-1534-9032-
Autor(es): dc.contributorhttp://lattes.cnpq.br/0370301102971417-
Autor(es): dc.contributorSantanchè, André-
Autor(es): dc.contributorhttps://orcid.org/0000-0002-1756-4852-
Autor(es): dc.contributorhttp://lattes.cnpq.br/5121623021406209-
Autor(es): dc.contributorTacla, Cesar Augusto-
Autor(es): dc.contributorhttps://orcid.org/0000-0002-8244-8970-
Autor(es): dc.contributorhttp://lattes.cnpq.br/2860342167270413-
Autor(es): dc.contributorGomes Junior, Luiz Celso-
Autor(es): dc.contributorhttps://orcid.org/0000-0002-1534-9032-
Autor(es): dc.contributorhttp://lattes.cnpq.br/0370301102971417-
Autor(es): dc.creatorMiodutzki, Dionei-
Data de aceite: dc.date.accessioned2025-08-29T13:08:29Z-
Data de disponibilização: dc.date.available2025-08-29T13:08:29Z-
Data de envio: dc.date.issued2022-09-21-
Data de envio: dc.date.issued2022-09-21-
Data de envio: dc.date.issued2022-08-19-
Fonte completa do material: dc.identifierhttp://repositorio.utfpr.edu.br/jspui/handle/1/29691-
Fonte: dc.identifier.urihttp://educapes.capes.gov.br/handle/capes/1108051-
Descrição: dc.descriptionOutlier detection is important in several sectors of the economy, the academy and the government. In the industrial sector, these techniques make it possible to quickly and accurately identify equipment failures, product defects and safety risks. The evolution of Industry 4.0, however, is bringing challenges previously uncommon in the area. The large number of data constantly generated by a multitude of sensors represents a processing challenge and can ultimately lead to the identification of a large number of outliers simultaneously. The scale and complexity of this scenario slow the troubleshooting process, delaying the identification of the source of the fault and increasing costs and downtime. This work presents a solution that tackles the problem in two fronts: (i) distributed processing of data streams for outlier detectiong; and (ii) ontology-based contextualization of the detected outliers. Our proposal supports decision-making in a widespread failure scenario, where there are multiple outliers detected in a set of equipment with known dependencies between them. Dependencies are represented using ontologies, as a way to provide a clear and user-facilitated interpretation. An inference engine implemented as a graph database is responsible for identifying the most probable causes of the failure. Performance tests demonstrate the scalability of our implementation.-
Descrição: dc.descriptionA detecção de outliers é importante em diversos setores da economia, na academia e no governo. No setor industrial, essas técnicas permitem identificar com rapidez e precisão falhas de equipamentos, defeitos de produtos e riscos de segurança. A evolução da Indústria 4.0, no entanto, está trazendo desafios antes incomuns na área. O grande número de dados gerados constantemente por uma infinidade de sensores representa um desafio de processamento e pode levar à identificação de um grande número de outliers simultaneamente. A escala e a complexidade desse cenário retardam o processo de solução de problemas, atrasando a identificação da origem da falha e aumentando os custos e o tempo de inatividade. Este trabalho apresenta uma solução que aborda o problema em duas frentes: (i) processamento distribuído de data streams para detecção de outliers; e (ii) contextualização baseada em ontologia dos outliers detectados. Nossa proposta suporta a tomada de decisão em um cenário de falha generalizada, onde existem vários outliers detectados em um conjunto de equipamentos com dependências conhecidas entre eles. As dependências são representadas usando ontologias, como forma de fornecer uma interpretação clara e facilitada ao usuário. Um mecanismo de inferência implementado como banco de dados de grafos é responsável por identificar as causas mais prováveis da falha. Testes de desempenho demonstram a escalabilidade de nossa implementação.-
Formato: dc.formatapplication/pdf-
Idioma: dc.languageen-
Publicador: dc.publisherUniversidade Tecnológica Federal do Paraná-
Publicador: dc.publisherCuritiba-
Publicador: dc.publisherBrasil-
Publicador: dc.publisherPrograma de Pós-Graduação em Computação Aplicada-
Publicador: dc.publisherUTFPR-
Direitos: dc.rightsopenAccess-
Direitos: dc.rightshttp://creativecommons.org/licenses/by/4.0/-
Palavras-chave: dc.subjectLocalização de falhas (Engenharia)-
Palavras-chave: dc.subjectBig data-
Palavras-chave: dc.subjectProcessamento eletrônico de dados - Processamento distribuído-
Palavras-chave: dc.subjectOntologia-
Palavras-chave: dc.subjectInferência (Lógica)-
Palavras-chave: dc.subjectFault location (Engineering)-
Palavras-chave: dc.subjectElectronic data processing - Distributed processing-
Palavras-chave: dc.subjectOntology-
Palavras-chave: dc.subjectInference-
Palavras-chave: dc.subjectCNPQ::CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO-
Palavras-chave: dc.subjectCiência da Computação-
Título: dc.titleDetecção de outliers usando data stream com contextualização de falhas orientada por ontologia na indústria 4.0-
Título: dc.titleData stream outlier detection with ontology-driven fault contextualization in the Industry 4.0-
Tipo de arquivo: dc.typelivro digital-
Aparece nas coleções:Repositorio Institucional da UTFPR - RIUT

Não existem arquivos associados a este item.