Atenção:
O eduCAPES é um repositório de objetos educacionais, não sendo responsável por materiais de terceiros submetidos na plataforma. O usuário assume ampla e total responsabilidade quanto à originalidade, à titularidade e ao conteúdo, citações de obras consultadas, referências e outros elementos que fazem parte do material que deseja submeter. Recomendamos que se reporte diretamente ao(s) autor(es), indicando qual parte do material foi considerada imprópria (cite página e parágrafo) e justificando sua denúncia.
Caso seja o autor original de algum material publicado indevidamente ou sem autorização, será necessário que se identifique informando nome completo, CPF e data de nascimento. Caso possua uma decisão judicial para retirada do material, solicitamos que informe o link de acesso ao documento, bem como quaisquer dados necessários ao acesso, no campo abaixo.
Todas as denúncias são sigilosas e sua identidade será preservada. Os campos nome e e-mail são de preenchimento opcional. Porém, ao deixar de informar seu e-mail, um possível retorno será inviabilizado e/ou sua denúncia poderá ser desconsiderada no caso de necessitar de informações complementares.
Metadados | Descrição | Idioma |
---|---|---|
Autor(es): dc.contributor | Gomes Junior, Luiz Celso | - |
Autor(es): dc.contributor | https://orcid.org/0000-0002-1534-9032 | - |
Autor(es): dc.contributor | http://lattes.cnpq.br/0370301102971417 | - |
Autor(es): dc.contributor | Santanchè, André | - |
Autor(es): dc.contributor | https://orcid.org/0000-0002-1756-4852 | - |
Autor(es): dc.contributor | http://lattes.cnpq.br/5121623021406209 | - |
Autor(es): dc.contributor | Tacla, Cesar Augusto | - |
Autor(es): dc.contributor | https://orcid.org/0000-0002-8244-8970 | - |
Autor(es): dc.contributor | http://lattes.cnpq.br/2860342167270413 | - |
Autor(es): dc.contributor | Gomes Junior, Luiz Celso | - |
Autor(es): dc.contributor | https://orcid.org/0000-0002-1534-9032 | - |
Autor(es): dc.contributor | http://lattes.cnpq.br/0370301102971417 | - |
Autor(es): dc.creator | Miodutzki, Dionei | - |
Data de aceite: dc.date.accessioned | 2025-08-29T13:08:29Z | - |
Data de disponibilização: dc.date.available | 2025-08-29T13:08:29Z | - |
Data de envio: dc.date.issued | 2022-09-21 | - |
Data de envio: dc.date.issued | 2022-09-21 | - |
Data de envio: dc.date.issued | 2022-08-19 | - |
Fonte completa do material: dc.identifier | http://repositorio.utfpr.edu.br/jspui/handle/1/29691 | - |
Fonte: dc.identifier.uri | http://educapes.capes.gov.br/handle/capes/1108051 | - |
Descrição: dc.description | Outlier 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.description | A 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.format | application/pdf | - |
Idioma: dc.language | en | - |
Publicador: dc.publisher | Universidade Tecnológica Federal do Paraná | - |
Publicador: dc.publisher | Curitiba | - |
Publicador: dc.publisher | Brasil | - |
Publicador: dc.publisher | Programa de Pós-Graduação em Computação Aplicada | - |
Publicador: dc.publisher | UTFPR | - |
Direitos: dc.rights | openAccess | - |
Direitos: dc.rights | http://creativecommons.org/licenses/by/4.0/ | - |
Palavras-chave: dc.subject | Localização de falhas (Engenharia) | - |
Palavras-chave: dc.subject | Big data | - |
Palavras-chave: dc.subject | Processamento eletrônico de dados - Processamento distribuído | - |
Palavras-chave: dc.subject | Ontologia | - |
Palavras-chave: dc.subject | Inferência (Lógica) | - |
Palavras-chave: dc.subject | Fault location (Engineering) | - |
Palavras-chave: dc.subject | Electronic data processing - Distributed processing | - |
Palavras-chave: dc.subject | Ontology | - |
Palavras-chave: dc.subject | Inference | - |
Palavras-chave: dc.subject | CNPQ::CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO | - |
Palavras-chave: dc.subject | Ciência da Computação | - |
Título: dc.title | Detecção de outliers usando data stream com contextualização de falhas orientada por ontologia na indústria 4.0 | - |
Título: dc.title | Data stream outlier detection with ontology-driven fault contextualization in the Industry 4.0 | - |
Tipo de arquivo: dc.type | livro digital | - |
Aparece nas coleções: | Repositorio Institucional da UTFPR - RIUT |
O Portal eduCAPES é oferecido ao usuário, condicionado à aceitação dos termos, condições e avisos contidos aqui e sem modificações. A CAPES poderá modificar o conteúdo ou formato deste site ou acabar com a sua operação ou suas ferramentas a seu critério único e sem aviso prévio. Ao acessar este portal, você, usuário pessoa física ou jurídica, se declara compreender e aceitar as condições aqui estabelecidas, da seguinte forma: