Método de Monitoramento Utilizando SVM e Sinais Acústicos

Um método de monitoramento baseado em Máquinas de Vetores de Suporte é apresentado neste trabalho com o objetivo de validar a utilização dos parâmetros extraí- dos dos sinais acústicos. Outro ponto importante a ser avaliado com este novo método é a natureza do classificador que melhor se adapta ao problema de monitoramento da rugosidade.

O algoritmo utilizado para o treinamento dos modelos SVM assim como os al- goritmos de diagnósticos utilizados foram baseados na libSVM (CHANG; LIN, 2011). Detalhes em relação ao procedimento de treinamento e diagnóstico para este sistema são apresentados a seguir.

7.3.2.1 Procedimento de Treinamento das Máquinas de Vetores de Suporte

Os mesmos conjuntos de treinamento e teste da Tabela 7.2 foram utilizados para a avaliação do sistema baseado em SVM. Como o problema de diagnóstico do grupo de rugosidade contempla três grupos distintos, é necessária a utilização de técnicas de decisão para problemas multi classes. Desta forma, ambas as técnicas OAA e OAO apresentadas na Seção 4.3.2 foram avaliadas.

Para treinar o sistema SVM a fim de operar no modo OAA, deve-se efetuar o procedimento de treinamento apresentado na Figura 7.6. Para cada um dos 𝐺𝑖 grupos obtidos na Tabela 7.1, extraem-se os parâmetros de todos os sinais. O treinamento do SVM utiliza todas as amostras para estimar os modelos que representarão cada grupo. Porém, para estimar cada modelo 𝑖 rotulam-se todas as amostras deste grupo como +1 e as amostras dos demais grupos como -1, resultando um modelo capaz de separar este grupo dos demais. Este procedimento resulta um número total de modelos igual ao total de grupos a serem separados (detalhes do funcionamento do algoritmo podem ser vistos na Seção 4.3). Ao fim da sequência de treinamento, os modelos estão prontos para a fase de diagnósticos e seus parâmetros, que são os vetores de suporte, são armazenados.

Outro método de treinamento considerado neste trabalho é o OAO. Nesta técnica cria-se um modelo SVM para separar cada combinação de dois grupos de um total de 𝐼, resultando 𝐼(𝐼 − 1)/2 modelos diferentes. Esta técnica tem como deficiência a criação de um número grande de modelos, o que pode impactar no tempo de processamento durante a fase de diagnóstico. Como este trabalho não tem como escopo avaliar os classificadores em relação ao tempo de classificação, esta técnica será utilizada durante a avaliação do sistema baseado em SVM. O procedimento necessário para o treinamento utilizando a técnica OAO é apresentado na Figura 7.7.

As máquinas de vetores de suporte foram criadas inicialmente para a separação linear de grupos. Porém, a evolução da técnica desenvolveu outras funções de separação

Capítulo 7. Métodos de Monitoramento Indiretos Baseados em Sinais Acústicos 82

Figura 7.6 – Fluxo de treinamento do sistema baseado em SVM para o método OAA.

Capítulo 7. Métodos de Monitoramento Indiretos Baseados em Sinais Acústicos 83

dando mais poderes de classificação ao SVM. A estas funções deu-se o nome de kernels. A fim de validar o ganho de desempenho destas novas técnicas, um kernel baseado em funções de base radiais (do inglês Radial Basis Function – RBF) foi avaliado neste trabalho e comparado ao kernel linear.

7.3.2.2 Procedimento de Diagnóstico Utilizando Máquina de Vetores de Suporte

Mais uma vez, com os modelos estimados para cada grupo o sistema está apto para a fase de operação ou diagnóstico. No caso do sistema com SVM baseado na técnica OAA, a ideia de classificação é mais direta, já que existe um modelo para cada grupo, ou seja, a fim de se estimar a qual grupo uma determinada amostra pertence, deve-se verificar qual dos modelos resultará +1, já que sinaliza a classificação de um grupo em relação a todos os demais. No caso do sistema que utiliza OAO, o procedimento é um pouco mais complicado e, a fim de diagnosticar uma determinada amostra, utiliza-se o procedimento apresentado na Figura 7.8. Neste procedimento computa-se um voto para cada modelo que identificar o grupo 𝑖. Ao final da avaliação de todos os 𝐼(𝐼 − 1)/2 modelos, aquele que obteve o maior número de votos será o grupo ao qual a amostra será atribuída.

Figura 7.8 – Fluxo de diagnóstico do sistema baseado em SVM.

A fim de validar o desempenho do sistema, utilizou-se os conjuntos de teste defini- dos na Tabela 7.2 e o mesmo procedimento adotado para a avaliação do sistema baseado em GMM. Ou seja, para cada amostra do conjunto de teste, o modelo previsto pelo sis- tema treinado foi verificado e comparado com o verdadeiro grupo ao qual pertencia a amostra. O número de amostras corretamente classificadas dividido pelo número total de amostras testadas resultou na Precisão do sistema, métrica de desempenho definida anteriormente na Equação 7.1.

7.3.2.3 Resultados Obtidos para o Sistema Baseado em SVM

Para avaliar o sistema proposto baseado em SVM, uma matriz experimental foi gerada considerando os seguintes fatores: tipo de kernel (‘linear ’, ‘rbf ’); técnica multi- classe (‘oao’, ‘oaa’); parâmetros do sinal (‘mfcc’, ‘pca’, ‘mix’). Assim como foi definido

Capítulo 7. Métodos de Monitoramento Indiretos Baseados em Sinais Acústicos 84

para o GMM, o fator ‘pca’ corresponde ao três primeiros escores, o fator ‘mfcc’ corresponde ao dois primeiros coeficientes mel e o fator ‘mix’ corresponde à combinação dos parâmetros ‘mfcc’ e ‘pca’. A Tabela 7.4 apresenta o desempenho médio de dez execuções para cada uma das combinações dos fatores do experimento.

Tabela 7.4 – Resultados do experimento de validação do sistema baseado em SVM. Replica Kernel (Kn) Téc. Multi-classe (Mc) Parâmetros (Pa) Precisão

1 linear oao pca 97,14

1 linear oao mfcc 95,71

1 linear oao mix 97,14

1 linear oaa pca 97,14

1 linear oaa mfcc 95,71

1 linear oaa mix 97,14

1 rbf oao pca 100,00 1 rbf oao mfcc 98,57 1 rbf oao mix 100,00 1 rbf oaa pca 100,00 1 rbf oaa mfcc 98,57 1 rbf oaa mix 100,00

2 linear oao pca 97,14

2 linear oao mfcc 97,14

2 linear oao mix 98,57

2 linear oaa pca 97,14

2 linear oaa mfcc 97,14

2 linear oaa mix 98,57

2 rbf oao pca 100,00 2 rbf oao mfcc 100,00 2 rbf oao mix 100,00 2 rbf oaa pca 100,00 2 rbf oaa mfcc 100,00 2 rbf oaa mix 100,00

Utilizando a análise de variância sobre os resultados obtidos, foi possível identificar que os fatores Kn e Pa são estatisticamente significativos enquanto a técnica multi-classe

Mc e as interações entre os fatores não contribuíram de forma efetiva para o desempenho

do sistema, ou seja, não são estatisticamente significativos (P-value > 5%). A efetividade do kernel RBF foi comprovada para este problema devido aos níveis de precisão resultan- tes serem muito maiores do que os obtidos pelo sistema baseado no kernel linear. Vale ressaltar também que os parâmetros extraídos do sinal acústico resultaram diferentes ní- veis de desempenho ao sistema operando com SVM, diferentemente do comportamento ocorrido com o GMM. Os coeficientes Mel-Cepstrais apresentaram os menores níveis de desempenho para este sistema, quando utilizados sozinhos. Porém, ao serem utilizados em conjunto com os escores dos componentes principais, a um aumento considerável na pre- cisão do sistema. Estes efeitos são ilustrados pela Figura 7.9. Logo, a configuração ótima

Capítulo 7. Métodos de Monitoramento Indiretos Baseados em Sinais Acústicos 85

de operação deste sistema utiliza kernel RBF, e é alimentado por todos os parâmetros, os coeficientes Mel-Cepstrais e os escores dos componentes principais (mix), para treina- mento e diagnóstico. Para a configuração ótima deste sistema pode-se optar por qualquer uma das técnicas multi-classe: OAO ou OAA.

Figura 7.9 – Gráfico com os efeitos principais dos fatores sobre a precisão do sistema baseado em SVM.