[pt] SUBVERTENDO A SEQUÊNCIA CONVENCIONAL DE DDF: UMA ABORDAGEM INICIADA COM DIAGNÓSTICO E APRENDIZADO PROFUNDO

[en] SUBVERTING THE CONVENTIONAL FDD SEQUENCE: A DIAGNOSIS-FIRST APPROACH WITH DEEP LEARNING

[pt] JOAO GONCALVES NETO

[pt] TRANSFERENCIA DE APRENDIZADO

[pt] CLASSIFICACAO DE FALHAS

[pt] ESTRUTURA DE APRENDIZADO PROFUNDO

[pt] OTIMIZACAO DE HIPERPARAMETROS

[en] TRANSFER LEARNING

[en] FAULT CLASSIFICATION

[en] DEEP LEARNING FRAMEWORK

[en] HYPERPARAMETER OPTIMIZATION

[pt] Garantir a segurança e a eficiência de processos químicos exige sistemas robustos de Detecção e Diagnóstico de Falhas (DDF) capazes de diferenciar condições anormais em ambientes industriais complexos. Nesse contexto, abordagens tradicionais de modelagem frequentemente tornam-se impraticáveis devido à natureza não linear, à quantidade de variáveis e à dinâmica de plantas químicas, o que torna métodos baseados em dados históricos uma alternativa particularmente promissora. Neste trabalho, é apresentado um modelo de aprendizado profundo em duas etapas para detecção e diagnóstico de falhas utilizando o Processo Tennessee Eastman como estudo de caso. Na primeira etapa, uma Rede Neural Convolucional foi treinada em representações do tipo Gramian Angular Summation Fields para diagnóstico de falhas, alcançando métricas de classificação equiparáveis aos reportados no estado da arte. Em vez de investigar múltiplas arquiteturas, foi feita uma investigação de forma sistemática buscando aprimorar uma arquitetura base da literatura. A segunda etapa focou na detecção de falhas, invertendo a ordem convencional de desenvolvimento começando por detecção seguida de diagnóstico. O modelo de detecção foi baseado na arquitetura de Redes Neurais Siamesas, utilizando aprendizado por transferência a partir do modelo de diagnóstico de melhor desempenho como backbone. Essa abordagem possibilitou uma exploração estruturada de modificações no modelo base, incluindo o congelamento progressivo de camadas convolucionais para preservar o conhecimento transferido; a otimização de hiperparâmetros para maior estabilidade no treinamento e a análise das normas dos gradientes para melhorar a dinâmica de aprendizado. Os resultados foram comparados com a literatura existente, demonstrando a eficácia da estratégia investigada para aplicações industriais de DDF e fornecendo uma base para avanços futuros no monitoramento de processos com aprendizado profundo.

[en] Ensuring the safety and efficiency of chemical processes requires robust Fault Detection and Diagnosis (FDD) systems capable of detecting and distinguishing abnormal conditions in complex industrial environments. Traditional model-based approaches often struggle with chemical plants nonlinear and dynamic nature, making data-driven methods a particularly appealing alternative. This thesis presents a two-stage deep learning framework for fault detection and diagnosis using the Tennessee Eastman Process as the case study. In the first stage, a Convolutional Neural Network trained on Gramian Angular Summation Fields representations is used for fault diagnosis, achieving state-of-the-art classification performance. We improved the diagnosis model s accuracy by systematically refining a single deep learning architecture instead of testing multiple alternatives. In the second stage, we extend this work to fault detection, reversing the conventional order of detection preceding diagnosis. We developed a detection model based on Siamese Neural Network architecture using transfer learning from the best-performing diagnosis model for its backbone. This approach allowed for a structured exploration of model modifications, including freezing convolutional layers to preserve transferred knowledge, optimizing hyperparameters for training stability, and analyzing gradient norms to enhance learning dynamics. The results were benchmarked against existing literature, showing the effectiveness of a focused architectural refinement strategy in industrial FDD applications and providing a foundation for further advancements in deep learning-based process monitoring.

AMANDA LEMETTE TEIXEIRA BRANDAO

KARLA TEREZA FIGUEIREDO LEITE

KARLA TEREZA FIGUEIREDO LEITE

MANOELA RABELLO KOHLER

AMANDA LEMETTE TEIXEIRA BRANDAO

MAURICIO BEZERRA DE SOUZA JUNIOR

JOAO BATISTA DE PAIVA SOARES

ANDREA PEREIRA PARENTE

2025-07-14

2025-04-24

[pt] TEXTO

application/pdf

INGLÊS

https://www.maxwell.vrac.puc-rio.br/colecao.php?strSecao=resultado&nrSeq=71561@1

https://www.maxwell.vrac.puc-rio.br/colecao.php?strSecao=resultado&nrSeq=71561@2

https://doi.org/10.17771/PUCRio.acad.71561