Percorrer por autor "Ikeda, Matheus Hiroyuki Donadi"
A mostrar 1 - 1 de 1
Resultados por página
Opções de ordenação
- Detecção de falhas em sistemas ciberfísicos: um estudo aplicado em baterias de robôs móveisPublication . Ikeda, Matheus Hiroyuki Donadi; Leitão, Paulo; Rossini, Flávio LuizEsta dissertação tem como objetivo abordar o desafio das falhas em Sistemas Ciberfísicos (CPSs), que são sistemas integrados e combinam componentes físicos e computacionais. Os CPSs são essenciais em várias áreas, erros nesses sistemas podem causar problemas significativos, como interrupções de serviços, perda de dados ou até mesmo ameaças à segurança. Com base nesse contexto, o objetivo deste estudo foi desenvolver um protótipo para detectar falhas em um CPS laboratorial. Especificamente, o foco foi direcionado para a detecção de falhas em baterias de Polímero de Lítio (Li-Po), o mesmo tipo de bateria utilizado nos robôs móveis do CPS laboratorial. A estrutura implementada para o protótipo seguiu duas abordagens, a primeira é baseada em uma estrutura central no sistema Robot Operating System (ROS) que recebe todas as informações dos robôs móveis em um único nó ROS e a outra é baseada em uma estrutura local, onde cada robô móvel possui um nó ROS dedicado. Para enfrentar esse desafio, foram aplicadas técnicas de Aprendizado de Máquina (ML) do tipo supervisionado e não supervisionado, visando comparar qual tipo desempenharia melhor. Para a estrutura central, os modelos de ML foram treinados utilizando dados generalizados, já para a estrutura local, os modelos de ML foram treinados utilizando dados específicos de cada robô. Essas abordagens permitem que o sistema aprenda a reconhecer padrões e associações nos dados coletados, possibilitando a detecção automática de falhas. Foram coletados dados em relação ao comportamento das baterias de Li-Po por meio de experimentos em laboratório, simulando duas condições de operação, a primeira é relacionada à descarga da bateria quando o robô do CPS se encontra parado e a segunda é quando o robô está em movimento. Esses dados foram preparados para treinar e validar os modelos de ML. Os modelos de ML treinados foram introduzidos nos protótipos de estrutura central e local, o desempenho deles foi avaliado utilizando dados fornecidos por um ambiente de simulação no CoppeliaSim, onde foi simulado dois tipos de falhas que podem ocorrer nas baterias de Li-Po. O desempenho dos modelos de ML aplicados e dos protótipos de detecção de falha foi medido através de métricas como acurácia e F1-score. Os resultados obtidos demonstraram que os modelos de ML supervisionados desempenharam melhor do que os não supervisionados para esta abordagem, assim como o protótipo com estrutura local se sobressaiu em relação ao protótipo com estrutura central. Em especial o modelo de aprendizagem de máquina Floresta Aleatória (RF) utilizado no protótipo de estrutura local, sendo capaz de detectar as falhas nas baterias com uma acurácia de 98,8% e F1-score(0) (relacionado a classe dos valores consistentes) de 1, e F1-score(1) relacionado a classe dos valores inconsistentes) de aproximadamente 0,68. Isso indica que o protótipo com estrutura local utilizando o modelo de aprendizagem de máquina RF pode ser efetivamente aplicado para identificar problemas em baterias de Li-Po e, potencialmente, em outros componentes do CPS. Em conclusão, este estudo contribuiu para a área de detecção de falhas em CPSs. Os métodos utilizados baseados em modelos de ML supervisionados demonstraram ser eficientes na detecção de falhas em baterias de Li-Po em um ambiente laboratorial.