Modelagem da resposta subjetiva a vibrações em aeronaves usando métodos de aprendizado de máquina
DOI:
https://doi.org/10.5944/ribim.18.2.45309Palabras clave:
Aviação, conforto, inteligência artificial, seleção de atributos.Resumen
Com o aumento da concorrência no mercado de aeronaves, existe interesse das indústrias em desenvolver serviços de melhor qualidade para os seus clientes. Nesse sentido, está sendo desenvolvido um projeto interinstitucional para modelagem de repostas subjetivas de passageiros em relação a adjetivos (conforto, constância, força, suportabilidade), a partir de estímulos físicos de vibração em simuladores de aeronaves. Neste trabalho foram utilizados métodos de Inteligência Artificial, especificamente de Aprendizado de Máquina, para a seleção de atributos e a construção de modelos de regressão. Na seleção de atributos foi utilizada uma abordagem
do tipo filtro e na construção de modelos foram utilizadas as abordagens de Redes Neurais Artificiais, Regressão Linear Múltipla e Árvores de Regressão. O método experimental proposto tem como objetivo prever a resposta subjetiva de passageiros, apenas considerando as bandas de frequência dos estímulos vibratórios mais importantes de acordo com cada adjetivo. A avaliação dos modelos foi realizada de acordo com a complexidade e a qualidade preditiva. Os resultados mostram que o método proposto permitiu diminuir entre 86,42% e 98,15% a quantidade de bandas de frequência utilizadas para induzir os modelos, sem prejudicar a qualidade
preditiva dos modelos, inclusive em três das 12 configurações foi possível constatar melhora estatisticamente significativa. De acordo com os especialistas os modelos apresentaram-se promissores, tanto do ponto de vista de complexidade, quanto de qualidade preditiva.
Descargas
Citas
[1] Quehl, J., “Comfort studies on aircraft interior sound and vibration”, Tese de Doutorado, Universitat Oldenburg,
Oldenburg, Alemanha (2001)
[2] Schaefer, R.L., Bitencourt, R.F., Teixeira, J.A.M.S., Iturrieta, C.N., Gerges, S.N.Y., “Aircraft vibration perception
in a laboratory situation”, Proceedings of the International Congress of Mechanical Engineering
(COBEM), Gramado, Brasil (2009)
[3] Schaefer, R.L., Bitencourt, R.F., Gerges, S.N.Y., “Interferência da vibração no campo acústico em um simulador
de aeronaves”, Anais do Congresso da Academia Trinacional de Ciências, Foz do Iguacu, Brasil (2009)
[4] Schaefer, R.L., Bitencourt, R.F., Teixeira, J.A.M.S., Gerges, S.N.Y., “Aircraft vibroacoustic perception
threshold in a laboratory situation compared to ISO 2631/1997 Standard”, Proceedings of the International
Congress and Exposition on Noise Control Engineering, Lisboa, Portugal (2010)
[5] Schaefer, R.L., “Estudo da resposta subjetiva a vibrações em aeronaves”, Dissertação de Mestrado, Universidade
Federal de Santa Catarina, Florianópolis, Brasil (2011)
[6] Bitencourt, R.F., “Desempenho de métodos na avaliação do conforto acústico no interior de aeronaves”, Tese
de Doutorado, Universidade Federal de Santa Catarina, Florianópolis, Brasil (2008)
[7] Bitencourt, R.F., Chamon, L.F.O., Futatsug, S., Yanagihara, J.I., Gerges, S.N.Y., “Preliminary results on the
modeling of aircraft vibroacoustic comfort”, Proceedings of the International Congress and Exposition on
Noise Control Engineering, New York, USA (2012)
[8] Rohrmann, B., “Verbal qualifiers for rating scales: Sociolinguistic considerations and psychometric data”,
Project Report, University of Melbourne, Melbourne, Australia (2003)
[9] Witten, I., Frank, E., Machine Learning: Practical Machine Learning Tools and Techniques, Morgan Kaufmann,
São Francisco, USA (2005)
[10] Liu, H., Motoda, H., Computational Methods of Feature Selection, Chapman & Hall/CRC (2007)
[11] Langley, P., “Selection of Relevant Features in Machine Learning”, Proceedings of the AAAI Fall Symposium
on Relevance, 140-144 (1994)
[12] Mitchell, T.M., Machine Learning, McGraw-Hill, New York, USA (1997)
[13] Alpaydin, E., Introduction to Machine Learning, MIT Press (2004)
[14] Haykin, S., Neural Networks: a comprehensive foundation, Pretince-Hall, 2 ed., Upper Saddle River, USA
(1999)
[15] Rezende, S.O., Sistemas Inteligentes: Fundamentos e Aplicações, Manole, Barueri, Brasil (2003)
[16] Munakata, T., Fundamentals of the New Artificial Intelligence: Neural, Evolutionary, Fuzzy, and More,
Springer, 2 ed. (2008)
[17] Kundu, D., Murali, G., “Model selection in linear regression”, Computational Statistics & Data Analysis, 22,
461-469 (1996)
[18] Hastie, T., Tibshirani, R., Friedman, J., The Elements of Statistical Learning, Springer, 2 ed. (2009)
[19] Rousseeow, P.J., “Least Median of Square Regression”, Journal of the American Statistical Association,
79(388), 871-880 (1984)
[20] Hekimoglu, S., Erengoglu, R.C., Kalina, J., “Outlier detection by means of robust regression estimators for
use in engineering science”, Journal of Zhejiang University Science A, 10(6), 909-921 (2008)
[21] Quinlan, R.J., “Learning with Continuous Classes”, Proceedings of the 5th Australian Joint Conference on
Artificial Intelligence, Singapore, 343-348 (1992)
[22] Wang, Y., Witten, I.H., “Induction of model trees for predicting continuous classes”, Proceedings of the 9th
European Conference on Machine Learning, 128-137 (1997)
[23] Doria, U., Introdução à Bioestatística: para simples mortais, Elsevier, São Paulo, Brasil (1999)
Descargas
Publicado
Cómo citar
Número
Sección
Licencia
Derechos de autor 2014 Ricardo Luís Schaefer, Carlos Andrés Ferrero, Samir Nagi Yousri Gerges
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-SinDerivadas 4.0.
Los autores conservan los derechos de autor y ceden de forma no exclusiva los derechos de explotación de los trabajos aceptados para su publicación en Revista Iberoamericana de Ingeniería Mecánica, garantizan a la revista el derecho de ser la primera publicación del trabajo.
Los autores permiten que la revista distribuya los trabajos publicados bajo la licencia de uso Creative Commons Atribución-NoComercial-SinDerivadas 4.0 Internacional (CC BY-NC-ND 4.0 International). Esta licencia permite a otros compartir el trabajo con un reconocimiento de la autoría del trabajo y de la publicación inicial en esta revista. Se puede copiar, usar, difundir, transmitir y exponer públicamente, siempre que: i) se cite la autoría y la fuente original de su publicación (revista, editorial y URL de la obra); ii) no se use para fines comerciales.
Se permite y se anima a los autores a difundir electrónicamente (en un repositorio institucional, etc) la versión publicada del artículo (VOR) siempre con referencia a su publicación en la Revista Iberoamericana de Ingeniería Mecánica.
La publicación en esta revista es gratuita y no impone ningún coste a los autores.
