Classificação do estado operacional de Para-raios de ZnO

Projeto de inteligência artificial e ciências de dados realizado na graduação em Engenharia elétrica no LAT(Laboratório de Alta Tensão) da UFCG.

Este projeto tem como objetivo desenvolver e testar um classificador neural capaz de determinar o estado operacional de para-raios de ZnO (bom ou defeituoso) a partir da análise de sinais de corrente de fuga medidos em laboratório.

Análise de Corrente de Fuga

Objetivos Principais

• Diagnosticar o estado operacional do para-raios: classificando-o como bom ou defeituoso.
• Prever falhas futuras: garantindo a confiabilidade do sistema elétrico.

O uso de redes neurais artificiais (RNA) surge como uma abordagem eficaz para lidar com a complexidade dos dados de corrente de fuga fornecidos em testes de laboratório, caracterizados por sua alta não linearidade e variabilidade.

✨Dependências tecnológicas utilizadas:✨

Instale as dependências das bibliotecas no seu ambiente python, são bibliotecas essenciais para análise de dados e machine learning, abrangendo desde a preparação dos dados até a modelagem, avaliação e visualização dos resultados, siga os passos de instalação e importação.

1. Pandas

• Biblioteca poderosa para manipulação e análise de dados em Python. Ela facilita o trabalho com dados estruturados, como tabelas (DataFrames), e oferece funções para leitura, processamento e análise de dados.
• Principais usos:
  • Manipular tabelas de dados (DataFrames).
  • Realizar operações de agregação, filtragem e limpeza de dados.
  • Ler e gravar arquivos CSV, Excel, SQL, JSON, entre outros formatos.
• Instalação:

  pip install pandas

• Importação:

  import pandas as pd

2. NumPy

• Biblioteca fundamental para computação científica em Python. Oferece suporte a arrays multidimensionais (ndarrays), operações matemáticas eficientes e funções para álgebra linear, transformadas de Fourier e geração de números aleatórios.
• Principais usos:
  • Trabalhar com arrays e operações vetorizadas, mais eficientes que loops convencionais em Python.
  • Realizar operações matemáticas complexas e processamento de grandes volumes de dados numéricos.
• Instalação:

  pip install numpy

• Importação:

  import numpy as np

3. Scikit-Learn (sklearn)

• Biblioteca de machine learning em Python que inclui algoritmos de classificação, regressão, agrupamento, e ferramentas para pré-processamento e avaliação de modelos.
• Principais usos:
  • Divisão de dados: train_test_split divide conjuntos de dados em treino e teste.
  • Pré-processamento: StandardScaler normaliza dados (escala média = 0, desvio padrão = 1).
  • Modelagem: MLPClassifier é uma rede neural perceptron multicamadas para classificação.
  • Métricas de avaliação: accuracy_score, classification_report, confusion_matrix e roc_curve calculam e avaliam o desempenho do modelo.
• Instalação:

  pip install scikit-learn

• Importação:

  from sklearn.model_selection import train_test_split
  from sklearn.preprocessing import StandardScaler
  from sklearn.neural_network import MLPClassifier
  from sklearn.metrics import accuracy_score, classification_report, confusion_matrix, roc_curve, auc

4. Matplotlib

• Biblioteca de visualização que cria gráficos estáticos, animados e interativos. matplotlib.pyplot é uma interface simplificada para criar gráficos 2D.
• Principais usos:
  • Criar gráficos de linha, barras, dispersão, histogramas e muito mais.
  • Customizar gráficos com legendas, rótulos de eixos e títulos.
• Instalação:

  pip install matplotlib

• Importação:

  import matplotlib.pyplot as plt

5. Seaborn

• Biblioteca de visualização de dados baseada no Matplotlib. Simplifica a criação de gráficos complexos e estiliza automaticamente os gráficos para torná-los mais atraentes e informativos.
• Principais usos:
  • Visualizações de dados estatísticos, como gráficos de dispersão com linha de regressão, gráficos de caixa, gráficos de violino e matrizes de correlação.
  • Plotagem com temas prontos para visualizações claras e estéticas.
• Instalação:

  pip install seaborn

• Importação:

  import seaborn as sns

Defina os caminhos para carregamento dos arquivos CSV de corrente de fuga.

Metodologia de Desenvolvimento

O processo de desenvolvimento seguiu as seguintes etapas:

1. Aquisição e Processamento dos Dados:

   • Foram fornecidos dois arquivos CSV (corrente_PR_BOM.csv e corrente_PR_DEF.csv) na pasta dados, contendo sinais de corrente de fuga: um referente a para-raios em bom estado e outro a para-raios defeituosos.
   • Cada arquivo contém múltiplos sinais de corrente ao longo do tempo.

2. Tratamento Inicial no algoritmo em python:

   • Remoção das primeiras 10 amostras para mitigar possíveis erros de aquisição.
   • Subamostragem dos sinais para conter exatamente 200 pontos, conforme solicitado, garantindo uniformidade e integridade dos dados por meio da função resample da biblioteca Scipy.

3. Criação dos Alvos:

   • Atribuição de rótulos: 1 para sinais de para-raios "BOM" e 0 para sinais de para-raios "DEF".
   • Combinação dos dados processados em um único conjunto com seus respectivos alvos.

4. Divisão dos Dados:

   • O conjunto de dados foi dividido em 80% para treinamento e 20% para teste usando a função train_test_split, garantindo a separação correta para validação do modelo.

5. Normalização dos Dados:

   • Para garantir que os dados fossem processados na mesma escala, a normalização foi realizada utilizando StandardScaler, o que evita que características com maior amplitude dominem o treinamento da rede.

Arquitetura das RNAs

A rede neural utilizada no projeto foi o Multilayer Perceptron (MLP), um tipo de rede neural feedforward.

Algoritmo de Treinamento

O treinamento da rede neural é feito através de um processo de retropropagação do erro, ajustando os pesos de forma a minimizar a diferença entre as saídas previstas e as saídas reais. O algoritmo de Adam (Adaptive Moment Estimation) foi utilizado como otimizador, pois combina as vantagens de métodos de adaptação de taxa de aprendizado e momentum, proporcionando uma convergência rápida e eficiente.

Função de Custo e Critério de Parada

A função de custo utilizada foi a entropia cruzada, adequada para problemas de classificação binária. O treinamento foi configurado para parar automaticamente (early stopping) quando a função de perda não apresentasse melhorias após 10 épocas consecutivas, prevenindo o sobreajuste (overfitting).

Normalização dos Dados

A normalização dos dados foi um passo crítico no desenvolvimento do classificador. A corrente de fuga é composta por valores que variam em magnitude, e a normalização z-score foi utilizada.

Subamostragem de Sinais

Uma das tarefas importantes do pré-processamento foi garantir que os sinais tivessem um número fixo de amostras, permitindo uma representação consistente para a rede neural. A técnica utilizada foi a subamostragem através do método resample da biblioteca Scipy, o qual reduziu os sinais para 200 pontos, preservando a integridade das informações relevantes.

Métricas de Avaliação e Análise dos Resultados

Acurácia

A acurácia é a métrica principal de avaliação, representando a porcentagem de classificações corretas. No projeto, a acurácia reflete a proporção de para-raios corretamente identificados como "bom" ou "defeituoso".

Onde:

• VP: Verdadeiros Positivos (defeituoso corretamente identificado)
• VN: Verdadeiros Negativos (bom corretamente identificado)
• FP: Falsos Positivos (bom identificado incorretamente como defeituoso)
• FN: Falsos Negativos (defeituoso identificado incorretamente como bom)

O classificador obteve 100% de acurácia tanto no conjunto de treinamento quanto no conjunto de teste, o que indica que o modelo aprendeu perfeitamente os padrões dos sinais de corrente de fuga.

No algoritmo em Python, exibimos o gráfico da acurácia para comprovar a eficácia do modelo.

Relatório de Classificação

Inclui precisão, recall e F1-score para ambas as classes ("BOM" e "DEF").

1. Precisão (Precision)

A precisão é uma métrica que avalia a proporção de previsões corretas entre as instâncias que foram classificadas como positivas pelo modelo.

A precisão é importante quando os falsos positivos (prever positivo, mas é negativo) devem ser evitados.

2. Recall (Sensibilidade ou Revocação)

O recall mede a proporção de verdadeiros positivos que o modelo conseguiu identificar em relação ao total de instâncias realmente positivas.

O recall é essencial quando os falsos negativos (prever negativo, mas é positivo) são mais custosos e podem gerar prejuízos.

3. F1-Score

O F1-Score é a média harmônica entre a Precisão e o Recall. Ele é útil quando há um desequilíbrio entre as classes e desejamos encontrar um equilíbrio entre essas duas métricas.

O F1-Score é útil quando há um trade-off entre precisão e recall, e ambas são importantes.

Exibimos o relatório assim no console do Spyder:

Classe	Precisão	Recall	F1-Score
DEF	100%	100%	100%
BOM	100%	100%	100%

Este resultado mostra que o classificador foi perfeito em identificar tanto para-raios em bom estado quanto defeituosos.

Visualizamos essas métricas também em um gráfico de barras gerado no algoritmo em Python:

Matriz de Confusão

A matriz de confusão fornece uma visão detalhada das classificações corretas e incorretas, permitindo observar possíveis erros.

• Todas as 7 amostras de para-raios defeituosos foram classificadas corretamente como "DEF".
• Todas as 9 amostras de para-raios bons foram classificadas corretamente como "BOM".

Visualizamos assim conforme gerado no algoritmo em Python:

Curva ROC e AUC

A Curva ROC (Receiver Operating Characteristic) é uma ferramenta usada para avaliar o desempenho de classificadores binários ao longo de diferentes limiares de decisão. A curva é plotada em um gráfico onde:

• O eixo x representa a Taxa de Falsos Positivos (TFP): proporção de exemplos negativos classificados incorretamente como positivos.

• O eixo y representa a Taxa de Verdadeiros Positivos (TVP) ou recall/sensibilidade: proporção de exemplos positivos classificados corretamente como positivos.

Uma curva ROC ideal é aquela que se aproxima do canto superior esquerdo do gráfico, onde a taxa de verdadeiros positivos é alta (próxima de 1) e a taxa de falsos positivos é baixa (próxima de 0).

A curva ROC do projeto praticamente alcançou o canto superior esquerdo do gráfico, e a AUC foi igual a 1.0, mostrando que o classificador separou perfeitamente as duas classes ("bom" e "defeituoso").

Com nosso algoritmo em Python, podemos plotar a curva conforme imagem abaixo comprovando isso:

AUC (Área Sob a Curva ROC)

A AUC (Área Sob a Curva ROC) é um número entre 0 e 1 que resume o desempenho do classificador:

• AUC = 1.0: Indica um classificador perfeito, que separa perfeitamente as classes.
• AUC = 0.5: Indica um classificador que faz previsões aleatórias.
• AUC < 0.5: Sugere que o classificador está invertendo as classes, o que indica um desempenho pior que o aleatório.

Neste projeto, a AUC obtida foi 1.0, indicando que o classificador neural teve um desempenho perfeito, separando completamente os para-raios bons dos defeituosos (TVP = 1 e TFP = 0).

Gráficos de Perda

O gráfico de perda visualiza o comportamento da função de custo (perda) ao longo das iterações do treinamento da rede neural. Ele nos ajuda a entender se o modelo está:

• Convergindo: A perda diminui consistentemente e se estabiliza em um valor mínimo após várias épocas.
• Overfitting: A perda de treinamento continua a diminuir, mas a perda de validação começa a aumentar, indicando que o modelo está se ajustando demais aos dados de treinamento e generalizando mal.
• Subajustando (Underfitting): A perda se estabiliza em um valor alto, indicando que o modelo não está conseguindo aprender adequadamente os padrões dos dados.

Neste projeto, o gráfico de perda mostrou uma diminuição consistente da perda de treinamento, sem sinais de overfitting. A função de custo foi monitorada com o critério de parada antecipada (early stopping), interrompendo o treinamento quando não houve melhora na perda de validação após 10 épocas conforme padrão de early stopping.

O modelo foi capaz de generalizar bem para o conjunto de teste, sem sinais de sobreajuste, como evidenciado pelo comportamento da perda de validação. E conforme podemos visualizar ao plotar graficamente em nosso algoritmo em Python:

Conclusão

O classificador neural desenvolvido utilizando um Multilayer Perceptron (MLP) foi eficaz em 100% dos casos, para a classificação de para-raios ZnO em bom estado ou defeituosos, com resultados perfeitos em termos de acurácia, precisão e área sob a curva ROC (AUC). O uso de técnicas adequadas de pré-processamento dos dados, como subamostragem e normalização, foi crucial para o sucesso do modelo.

Dado o desempenho observado, este sistema pode ser considerado uma solução eficaz para monitoramento e diagnóstico do estado de para-raios em tempo real, auxiliando na tomada de decisões de manutenção preventiva e aumentando a confiabilidade dos sistemas elétricos.

Podemos ainda expandir futuramente o modelo com outros conjuntos de dados para testar o modelo com mais amostras, representando diferentes condições ambientais e operacionais, para garantir a robustez em cenários variados além da corrente de fuga.

E ainda explorar outras arquiteturas de redes neurais, como redes convolucionais CNNs ou recorrentes RNNs ou ainda árvores de decisão, que podem capturar padrões temporais de outras maneiras.

License

MIT license

Contribuições:

Contribuições são sempre bem-vindas. Sinta-se à vontade para levantar novas questões, e abrir pull requests. Considere dar uma estrela e bifurcar este repositório!

Se você tiver alguma dúvida sobre, não hesite em entrar em contato comigo no Gmail: erick.cassiano@ee.ufcg.edu.br ou abrir um problema no GitHub.

Contributing:

Contributions are always welcomed. Feel free to raise new issues, file new PRs. Consider giving it a star and fork this repo!

If you have any question about this opinionated list, do not hesitate to contact me on Gmail: erick.cassiano@ee.ufcg.edu.br or open an issue on GitHub.