Loading presentation...

Present Remotely

Send the link below via email or IM

Copy

Present to your audience

Start remote presentation

  • Invited audience members will follow you as you navigate and present
  • People invited to a presentation do not need a Prezi account
  • This link expires 10 minutes after you close the presentation
  • A maximum of 30 users can follow your presentation
  • Learn more about this feature in our knowledge base article

Do you really want to delete this prezi?

Neither you, nor the coeditors you shared it with will be able to recover it again.

DeleteCancel

Make your likes visible on Facebook?

Connect your Facebook account to Prezi and let your likes appear on your timeline.
You can change this under Settings & Account at any time.

No, thanks

TCC

No description
by

Michell Cruz

on 21 January 2015

Comments (0)

Please log in to add your comment.

Report abuse

Transcript of TCC

FRAMEWORK PARA COMPRESSÃO DE DADOS DE MONITORAMENTO DE ESTRUTURAS CIVIS
DIFICULDADE
UNIVERSIDADE FEDERAL DO PARÁ
Instituto de Ciência Exatas de Naturais
Faculdade de Computação
Trabalho de Conclusão de Curso

Marissa Brasil
Michell Cruz

Orientador: Prof. Dr. Claudomiro de Souza de Sales Junior. 
Coorientador: Me. Adam Dreyton Ferreira dos Santos

Belém, Janeiro de 2015
Monitoramento de Estruturas
Compressão de Dados
Framework para Compressão de Dados
Considerações Finais
Agenda
1. Introdução
2. Monitoramento de Estruturas
3. Compressão de dados
4. Framework para Compressão de Dados
5. Considerações Finais

O desejo humano de construir estruturas fortes capazes de resistir ao tempo e agentes externos

Mesmo com pouca tecnologia, sociedades antigas construiram estruturas que perduram até hoje.

Introdução
Para garantir a integridade e a segurança de estruturas, técnicas de monitoramento foram criadas.

Uma forma de realizar esse monitoramento é chamada de “Monitoramento de Saúde Estrutural” (SHM – Structure Health Monitoring).

“Processo que envolve a observação da estrutura ao longo do tempo utilizando medidas de resposta dinâmicas com intervalos periódicos.”
(FARRAR e WORDEN, 2013, p. 1)

Técnicas de SHM normalmente utilizam uma rede de sensores
Adequados de acordo com os parâmetros a serem observados
Temperatura, vibração, etc
Existem vários tipos de sensores
Eletrônicos, Ópticos, etc
Os dados coletados geralmente são utilizados na:
Planejamento e projeção de manutenção
Segurança
Verificação de hipóteses
Redução de incertezas
Ampliação do conhecimento estrutural
(GLISIC e INAUDI, 2007, p. 1)

Uma carga substancial para a rede e os repositórios que armazenam os dados

A condensação desses dados se faz necessária

Sistemas grandes e complexos com monitoramento contínuo em tempo real geram um volume muito grande de dados.

Problematização
"Qual o melhor processo de compressão de dados levando em consideração a taxa de compressão e a preservação das características dos dados, de forma a não prejudicar a identificação de danos em estruturas?"

Objetivos Gerais
Construção de um framework de compressão dos dados gerados por sensores

Através de comparações determinar quais técnicas se destacam na compressão dos dados sem causar perda significativa das características dos sinais

Alguns métodos de compressão possuem limites de precisão
Baseado nesses limites que se faz a escolha da técnica para os tipos de dados que serão medidos

Como medir a qualidade da compressão ?
Taxa de compressão;
Usar técnicas de detecção de danos aos dados comprimidos
.
TAXA
DE
COMPRESSÃO
SENSITIVIDADE
ESPECIFICIDADE
Desempenho da Técnica
Objetivos Específicos


Estruturas complexas são construídas para o bem-estar e funcionalidade da sociedade
Tais estruturas estão sempre expostas ao desgaste e intempéries naturais

Se fez necessário a utilização de ferramentas que identifique danos

Estruturas Modernas
Comunicar ao Operador Responsável
Gerar Informações Confiáveis
Avaliação Operacional:

Qual tipo de dano a ser detectado
Nível do limite de dano
Nível crítico de dano que causa falha
Locais mais suscetíveis
Taxa de crescimento tolerável de dano
Definir e quantificar as condições ambientais e operacionais
Parâmetros representativos a serem monitorados (físicos, químicos e mecânicos)

Aquisição de Dados:

Tipo de sensores a serem utilizados (embutidos, conectados, sem fio...)
Quantidade de sensores
Hardware do sistema de aquisição de dados
Frequência da coleta dos dados
Período a realizar o SHM
Selecionar parâmetros representativos (mecânicos, físicos ou químicos)
Processamento dos dados (compressão e normalização)

Extração de Características:
Identificar características sensíveis a dano
Diferenciar estados da estrutura (com e sem dano)

Modelo Estatístico:
Implementação de algoritmos que quantificam o estado de dano da estrutura
Algoritmos de aprendizado supervisionado
Algoritmos de aprendizado não-supervisionado.

“Processo de remoção de redundância na informação, diminuindo a quantidade de dados adquirida pelo monitoramento estrutural e, consequentemente, o espaço ocupado por estes”
(SOLOMON, 2004)

Piecewise Constant Approximation (PCA)

Divide o sinal em tamanhos fixos (janelas)
Único valor representa a janela

Adaptive Piecewise Constant Approximation (APCA)

Piecewise Linear Histogram (PWLH)

Chebyshev (CHEB)
|w| não variável
Se adapta às características do sinal

Valor limite ε

Se coeficiente < ε , redefinido para zero

Caso contrário, valor original é preservado

Salva apenas os resultados diferentes de zero
Etapa de pré-processamento:
ICA (Independent Component Analysis)
Atenuar influência das condições ambientais e operacionais
Usado na extração de características, redução de ruído…

Em seguida, são usados apenas 3 algoritmos:
PCA-D
MSD
SVD

Encontrar padrões anormais (outliers)
Todos são de aprendizado de máquina

Factor Analysis (FA)

Mahalanobis
Squared Distance
(MSD)

Principal
Component Analysis
(PCA-D)
Nonlinear PCA (NLPCA)

Singular Value Decomposition
(SVD)

Técnicas de detecção de danos
Conjunto de Dados:
1700 testes
4096 pontos

ɛ = 0,01 ; 0,05 ; 0,1
Tamanho da janela (CHEB e PCA) = 16

Para realizar a filtragem no PCA é preciso satisfazer a condição Vmax − Vmin < 2ε
ɛ pequeno
Então a maioria dos dados não a satisfaz

Novas variações de precisam ser testadas no PCA

Compressão dos Dados - PCA -
ɛ de 0,1 à 0,9

Janela = 16
Janela = 8
Janela = 24
Detecção de Danos (ICA)
= 0,1
de 0,1 à 0,9
Detecção de Danos (ICA) - PCA
Janela = 16


de 0,1 à 0,9
Detecção de Danos (ICA) - PCA
Janela = 8
de 0,1 à 0,9
Detecção de Danos (ICA) - PCA
Janela = 24
SHM surge como uma metodologia para auxiliar na construção e preservação de estruturas
Estruturas da engenharia mecânica, civil, aeroespacial e elétrica

Problema: grande quantidade de dados em pouco tempo
Dificulta o armazenamento e processamento

Por isso, técnicas de compressão são importantes no SHM
Mas precisam ser eficientes na compressão e conservação de informações importantes

A variação da taxa de erro interfere diretamente na taxa de compressão

Para ɛ = 0,01 ; 0,05 ; 0,1
SF obteve as maiores taxas de compressão em todos os testes, seguido pelo PWLH
Em contrapartida, o PCA obteve as menores taxas de compressão

Necessária uma outra análise do PCA
ɛ
de 0,1 a 0,9
Máxima taxa de compressão alcançada a partir de ɛ = 0,5

Altas taxas de compressão causam perda de informação

É preciso considerar a integridade dos dados/qualidade do sinal

Foram utilizadas 5 técnicas que detectam a presença de danos estruturais

Além de uma abordagem com uma etapa de préprocessamento dos dados

Análise sem ICA:
PWLH obteve melhores resultados quando ɛ = 0,01 e 0,05 e CHEB quando ɛ = 0,1
PCA obteve seus melhores resultados quando ɛ = 0,4, sendo superior a todos os outros resultados

Análise com ICA:
Desempenho melhor apenas quando = 0,1
APCA, CHEB e PWLH
Resultados semelhantes com o PCA
Desempenho significativamente melhor quando janela = 24

A maioria dos resultados foi melhor sem a utilização do ICA, se mostrando a melhor abordagem



Trabalhos Futuros
Uso de técnicas de detecção de outliers
Com a localização das anomalias, é possível comprimir os dados preservando os pontos originais da ocorrência
Minimizando a perda de informação útil

Paralelizar o framework utilizando a plataforma CUDA (NVIDIA)
Melhorar o tempo de processamento
Inserir etapas de Pré-Pocessamento de forma pouco custosa

OBRIGADO!
Realizar uma revisão de literatura sobre o monitoramento de saúde estrutural.
Realizar um estudo do estado da arte de técnicas de compressão de dados.
Construção do framework de compressão de dados.
Realizar os testes no framework e obtenção dos dados processados.
Aplicar técnicas de avaliação nos dados processados pelas técnicas de compressão.
Realizar  uma análise do processo de execução do framework e uma discussão dos resultados obtidos das técnicas de compressão.
Algoritmos
de
Compressão

Adaptive Piecewise Constant Approximation
(APCA)
Slide Filter
(SF)
Chebyshev
(CHEB)
Piecewise Linear Histogram
(PWLH)
Piecewise
Constant
Approximation
(PCA)
Verificar o nível prejudicial da compressão
Medidas estatísticas: sensitividade e especificidade

“Sensitividade: proporção de verdadeiros positivos identificados corretamente.
Especificidade: proporção de verdadeiros negativos identificados corretamente”
(ALTMAN e BLAND, 1994)

Complementares às taxas de falsos negativos (Erro Tipo II) e falsos positivos (Erro Tipo I)

então,
Se
Detecção de Danos
Detecção de Danos
Detecção de Danos
Minimizando perda da qualidade de informação

0,01
0,05
0,1
APCA obteve o pior desempenho e PWLH alcançou o melhor desempenho

ica
APCA e PWLH obtiveram pior e melhor desempenho, respectivamente

CHEB obteve melhor desempenho e SF obteve pior desempenho

Slide Filter (SF)
PCA e CHEB são desconsiderados
Erro Tipo II é considerado mais prejudicial

=0,01
SF obteve pior desempenho:
= 0,05
PCA é desconsiderado

SF obteve o pior desempenho

=0,1
PCA é desconsiderado

PWLH obteve o pior desempenho

CHEB obteve melhor desempenho

Detecção de Danos
Detecção de Danos
Detecção de Danos
PWLH
Compressão
Detecção de Danos
Slide Filter
Compressão
Detecção de Danos
Cheb
Compressão
Detecção de Danos
Abordagem com o Pré-processamento (ICA)
Detecção de Danos (ICA)
= 0,01
PCA e CHEB são desconsiderados
Média dos resultados anteriores e atuais dos três algoritmos (PCA-D, MSD e SVD)

Detecção de Danos (ICA)
= 0,05
PCA é desconsiderado

Detecção de Danos - PCA
de 0,1 à 0,9
Janela = 16
Melhor desempenho quando ɛ = 0,4
Depois, os resultados pioram devido à alta taxa de compressão
PCA obteve melhores resultados que o PWLH e CHEB anteriormente

de 0,1 à 0,9
Detecção de Danos - PCA
Janela = 8
Melhor desempenho quando ɛ = 0,4

de 0,1 à 0,9
Janela = 24
Melhor desempenho quando ɛ = 0,4
Detecção de Danos - PCA
de 0,1 à 0,9
Detecção de Danos (ICA) - PCA
Janela = 16


de 0,1 à 0,9
Detecção de Danos (ICA) - PCA
Janela = 8
de 0,1 à 0,9
Detecção de Danos (ICA) - PCA
Janela = 24
Taxa de Compressão
Taxa de Compressão
Taxa de Compressão
Full transcript