No abstract

This paper aims present methods for implementing a software embedded Soft Sensor (SS) into real engineering problem, which was defined by AIRBUS in the International Federation of Automatic Control (IFAC) World Congress 2020 as a benchmark in aerospace engineering. Such software uses an embedded Soft Sensor to process flight simulation data from Simulink® by using Machine learning methods in Python language to classify Oscillatory Failure Errors. Then, a Systematic Literature Review presented basic idea about Machine Learning, a state of art about Soft Sensors and its key questions to guide the research. Three different machine learning representations have been implemented: Support Vector Machines (SVM), Decision Trees (DT) and Multi-Layer Perceptron (MLP). In such methods, the best was Decision Tree (DT) with 51.56% precision average in four scenarios.Resumo: Este artigo objetiva o apresentar métodos de implementação de sensores virtuais (Soft Sensors -SS) em formato de software aplicado a um problema real de engenharia apresentado pela AIRBUS ao congresso mundial da IFAC (International Federation of Automatic Control) como benchmark de engenharia aeroespacial. Tal software utiliza uma simulação de SS para processar dados do Simulink® por meio de métodos de aprendizado de máquina para classificação de falhas de caráter oscilatório. Dessa maneira, a revisão sistemática da literatura apresentou ideias básicas sobre aprendizado de máquina, o estado de arte acerca dos SS e as questões chave que guiaram essa pesquisa. Ademais, o desenvolvimento do software e resolução do estudo de caso foi realizado por meio da aplicação de três métodos: máquina de suporte vetorizado, árvores decisórias e o Perceptron multicamadas. Dentre esses métodos, o que melhor performou foi o das árvores decisórias com 51.56% de precisão média dentro dos quatro cenários estipulados.