Banca de DEFESA: DIEGO ANDRÉS AICHELE FIGUEROA

Uma banca de DEFESA de MESTRADO foi cadastrada pelo programa.
DISCENTE: DIEGO ANDRÉS AICHELE FIGUEROA
DATA : 22/08/2023
HORA: 10:00
LOCAL: Online
TÍTULO:

USE OF QUANTUM ALGORITHMS FOR CLASSIFICATION OF ROLLING BEARING DAMAGE

PALAVRAS-CHAVES:

não informado

PÁGINAS: 79
RESUMO:

A engenharia de confiabilidade tem utilizado com sucesso a aprendizagem de máquina (ML) para prever e categorizar estados de equipamentos e máquinas. Nesta dissertação, nosso objetivo é comparar diferentes algoritmos de ML e de aprendizado de máquina quântico (QML) no contexto da engenharia de confiabilidade. Especificamente, comparamos vários tipos de redes neurais que podem ser criadas com QML, usando três conjuntos de dados de rolamentos diferentes: o CWRU, o MFP e o PU. Esses conjuntos de dados contêm principalmente dados de vibração de acelerômetros dos rolamentos, que devem ser pré-processados para se adaptarem aos diferentes algoritmos de QML.

Nosso foco é a detecção de falhas em equipamentos rotativos, utilizando técnicas de computação quântica para analisar dados de sensores instalados no equipamento. Nossa abordagem considera estados saudáveis, falhas no anel interno e falhas no anel externo dos rolamentos, com o objetivo de alcançar detecção de falhas mais eficiente e precisa. Comparamos projetos de circuitos estabelecidos, como Amplitude Real e Circuitos Quânticos Convolucionais, bem como modelos híbridos que combinam circuitos quânticos e redes neurais.

Obtemos resultados em computadores clássicos usando cálculos analíticos que simulam um computador quântico, sem experimentar o "ruído quântico" entregue pelo hardware. A melhor maneira de inserir dados das principais características é através de um circuito ZFeatureMap, que dedica um qubit para cada característica extraída dos dados. Circuitos quânticos convolucionais produzem melhores resultados em comparação com outros circuitos parametrizados, enquanto modelos híbridos fornecem maior precisão do que seus equivalentes que não utilizam redes neurais. As taxas de precisão alcançadas no conjunto de dados de treinamento são em torno de 96%, sugerindo que os circuitos quânticos parametrizados usados nesta dissertação de mestrado estão fornecendo resultados estáveis. No entanto, é importante garantir taxas de precisão semelhantes no conjunto de dados de teste para evitar problemas de ajuste excessivo ou insuficiente.

MEMBROS DA BANCA:
Externo à Instituição - ASKERY ALEXANDRE CANABARRO BARBOSA DA SILVA - UFAL
Interna - 2732514 - ISIS DIDIER LINS
Presidente - 2766188 - MARCIO JOSE DAS CHAGAS MOURA