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

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

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 c...

ver descrição completa

Autor principal:	Miodutzki, Dionei
Formato:	Dissertação
Idioma:	Inglês
Publicado em:	Universidade Tecnológica Federal do Paraná 2022
Assuntos:	Localização de falhas (Engenharia) Big data Processamento eletrônico de dados - Processamento distribuído Ontologia Inferência (Lógica) Fault location (Engineering) Electronic data processing - Distributed processing Ontology Inference CNPQ::CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO Ciência da Computação
Acesso em linha:	http://repositorio.utfpr.edu.br/jspui/handle/1/29691
Tags:	Adicionar Tag Sem tags, seja o primeiro a adicionar uma tag!

id	riut-1-29691
recordtype	dspace
spelling	riut-1-296912022-09-22T06:07:46Z Detecção de outliers usando data stream com contextualização de falhas orientada por ontologia na indústria 4.0 Data stream outlier detection with ontology-driven fault contextualization in the Industry 4.0 Miodutzki, Dionei Gomes Junior, Luiz Celso https://orcid.org/0000-0002-1534-9032 http://lattes.cnpq.br/0370301102971417 Santanchè, André https://orcid.org/0000-0002-1756-4852 http://lattes.cnpq.br/5121623021406209 Tacla, Cesar Augusto https://orcid.org/0000-0002-8244-8970 http://lattes.cnpq.br/2860342167270413 Gomes Junior, Luiz Celso https://orcid.org/0000-0002-1534-9032 http://lattes.cnpq.br/0370301102971417 Localização de falhas (Engenharia) Big data Processamento eletrônico de dados - Processamento distribuído Ontologia Inferência (Lógica) Fault location (Engineering) Electronic data processing - Distributed processing Ontology Inference CNPQ::CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO Ciência da Computação 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. 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. 2022-09-21T17:04:18Z 2022-09-21T17:04:18Z 2022-08-19 masterThesis MIODUTZKI, Dionei. Detecção de outliers usando data stream com contextualização de falhas orientada por ontologia na indústria 4.0. 2022. Dissertação (Mestrado em Computação Aplicada) - Universidade Tecnológica Federal do Paraná, Curitiba, 2022. http://repositorio.utfpr.edu.br/jspui/handle/1/29691 eng openAccess http://creativecommons.org/licenses/by/4.0/ application/pdf Universidade Tecnológica Federal do Paraná Curitiba Brasil Programa de Pós-Graduação em Computação Aplicada UTFPR
institution	Universidade Tecnológica Federal do Paraná
collection	RIUT
language	Inglês
topic	Localização de falhas (Engenharia) Big data Processamento eletrônico de dados - Processamento distribuído Ontologia Inferência (Lógica) Fault location (Engineering) Electronic data processing - Distributed processing Ontology Inference CNPQ::CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO Ciência da Computação
spellingShingle	Localização de falhas (Engenharia) Big data Processamento eletrônico de dados - Processamento distribuído Ontologia Inferência (Lógica) Fault location (Engineering) Electronic data processing - Distributed processing Ontology Inference CNPQ::CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO Ciência da Computação Miodutzki, Dionei Detecção de outliers usando data stream com contextualização de falhas orientada por ontologia na indústria 4.0
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.
format	Dissertação
author	Miodutzki, Dionei
author_sort	Miodutzki, Dionei
title	Detecção de outliers usando data stream com contextualização de falhas orientada por ontologia na indústria 4.0
title_short	Detecção de outliers usando data stream com contextualização de falhas orientada por ontologia na indústria 4.0
title_full	Detecção de outliers usando data stream com contextualização de falhas orientada por ontologia na indústria 4.0
title_fullStr	Detecção de outliers usando data stream com contextualização de falhas orientada por ontologia na indústria 4.0
title_full_unstemmed	Detecção de outliers usando data stream com contextualização de falhas orientada por ontologia na indústria 4.0
title_sort	detecção de outliers usando data stream com contextualização de falhas orientada por ontologia na indústria 4.0
publisher	Universidade Tecnológica Federal do Paraná
publishDate	2022
citation	MIODUTZKI, Dionei. Detecção de outliers usando data stream com contextualização de falhas orientada por ontologia na indústria 4.0. 2022. Dissertação (Mestrado em Computação Aplicada) - Universidade Tecnológica Federal do Paraná, Curitiba, 2022.
url	http://repositorio.utfpr.edu.br/jspui/handle/1/29691
_version_	1805318181641781248
score	10,814766

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

Registros relacionados