Redes neurais artificiais na previsão de deterioração de desempenho de turbinas a gás.
Autor(a) principal: | |
---|---|
Data de Publicação: | 2009 |
Tipo de documento: | Dissertação |
Idioma: | por |
Título da fonte: | Biblioteca Digital de Teses e Dissertações do ITA |
Texto Completo: | http://www.bd.bibl.ita.br/tde_busca/arquivo.php?codArquivo=912 |
Resumo: | A utilização de turbinas a gás, tanto para propulsão aeronáutica como para geração de energia, vem crescendo significativamente nas últimas décadas em todo o mundo. Devido à alta complexidade dos componentes do motor e à tecnologia avançada empregada, os gastos financeiros com a manutenção e operação de turbinas a gás são muito elevados. Uma grande preocupação para quem utiliza este tipo de motor é proporcionar uma alta potência gerada, melhorar os níveis de segurança, aumentar a confiabilidade, e manter uma alta disponibilidade e baixas emissões de poluentes, tudo isso no menor custo possível. Com o intuito de melhorar cada vez mais estes fatores, este campo de pesquisa tornou-se uma área muito atrativa e promissora. Com os olhos voltados para a operação do motor, vem crescendo a quantidade de adeptos que utilizam sistemas computacionais de monitoramento de desempenho de turbinas a gás. No entanto, esta não é uma tarefa trivial, pois envolve complexidade muito grande a ser aplicada em um ambiente extremamente não-linear. Degradações de desempenho de turbinas a gás podem ocorrer de diversas maneiras durante a operação do motor. A queda no desempenho acarreta maior consumo de combustível, desgaste dos componentes, alterações no fluxo do fluido pelos módulos do motor, emissão excessiva de poluentes, entre outros. Por isso há a necessidade de utilizar técnicas cada vez mais poderosas para realizar um diagnóstico eficaz que possa compreender o comportamento de uma turbina a gás em funcionamento. Redes Neurais Artificiais (RNA) é uma das técnicas em plena evolução e que estão sendo utilizadas atualmente pela comunidade científica. O interesse na utilização de RNA, no diagnóstico de falhas de turbinas a gás, vem crescendo acentuadamente, principalmente devido à redução nos gastos com a manutenção do motor e à confiabilidade obtida. Nesta tese, foi desenvolvido um sistema computacional que utiliza técnicas de RNA que detectam, isolam e avaliam falhas que podem ocorrer em uma turbina a gás. Este sistema é capaz de diagnosticar, com confiabilidade, falhas simples, bem como múltiplas falhas, que podem aparecer nos componentes do motor mesmo quando operado em condições adversas. Técnicas de pré-processamento dos padrões de falhas foram analisadas, testadas e comparadas com outros experimentos realizados, objetivando uma otimização de todo processo envolvido. Foi verificada também a robustez do sistema computacional quanto à presença de ruídos oriundos da aquisição das informações pelos sensores acoplados ao motor em operação. Algumas estratégias foram aplicadas com o intuito de quantificar o grau de confiabilidade do sistema, atestando a viabilidade da aplicação. Por fim, os resultados obtidos foram analisados e comentados qualitativamente, abordando também suas limitações e propostas para trabalhos futuros. Com o intuito de ajudar estudantes e pesquisadores a dar continuidade a este trabalho, os conceitos mais importantes de Redes Neurais Artificiais foram incluídos. |
id |
ITA_662ad1234b1130e10e962db396499373 |
---|---|
oai_identifier_str |
oai:agregador.ibict.br.BDTD_ITA:oai:ita.br:912 |
network_acronym_str |
ITA |
network_name_str |
Biblioteca Digital de Teses e Dissertações do ITA |
spelling |
Redes neurais artificiais na previsão de deterioração de desempenho de turbinas a gás.Turbinas a gásAnálise de falhasDesempenho mecânicoRedes neuraisInteligência artificialEngenharia mecânicaA utilização de turbinas a gás, tanto para propulsão aeronáutica como para geração de energia, vem crescendo significativamente nas últimas décadas em todo o mundo. Devido à alta complexidade dos componentes do motor e à tecnologia avançada empregada, os gastos financeiros com a manutenção e operação de turbinas a gás são muito elevados. Uma grande preocupação para quem utiliza este tipo de motor é proporcionar uma alta potência gerada, melhorar os níveis de segurança, aumentar a confiabilidade, e manter uma alta disponibilidade e baixas emissões de poluentes, tudo isso no menor custo possível. Com o intuito de melhorar cada vez mais estes fatores, este campo de pesquisa tornou-se uma área muito atrativa e promissora. Com os olhos voltados para a operação do motor, vem crescendo a quantidade de adeptos que utilizam sistemas computacionais de monitoramento de desempenho de turbinas a gás. No entanto, esta não é uma tarefa trivial, pois envolve complexidade muito grande a ser aplicada em um ambiente extremamente não-linear. Degradações de desempenho de turbinas a gás podem ocorrer de diversas maneiras durante a operação do motor. A queda no desempenho acarreta maior consumo de combustível, desgaste dos componentes, alterações no fluxo do fluido pelos módulos do motor, emissão excessiva de poluentes, entre outros. Por isso há a necessidade de utilizar técnicas cada vez mais poderosas para realizar um diagnóstico eficaz que possa compreender o comportamento de uma turbina a gás em funcionamento. Redes Neurais Artificiais (RNA) é uma das técnicas em plena evolução e que estão sendo utilizadas atualmente pela comunidade científica. O interesse na utilização de RNA, no diagnóstico de falhas de turbinas a gás, vem crescendo acentuadamente, principalmente devido à redução nos gastos com a manutenção do motor e à confiabilidade obtida. Nesta tese, foi desenvolvido um sistema computacional que utiliza técnicas de RNA que detectam, isolam e avaliam falhas que podem ocorrer em uma turbina a gás. Este sistema é capaz de diagnosticar, com confiabilidade, falhas simples, bem como múltiplas falhas, que podem aparecer nos componentes do motor mesmo quando operado em condições adversas. Técnicas de pré-processamento dos padrões de falhas foram analisadas, testadas e comparadas com outros experimentos realizados, objetivando uma otimização de todo processo envolvido. Foi verificada também a robustez do sistema computacional quanto à presença de ruídos oriundos da aquisição das informações pelos sensores acoplados ao motor em operação. Algumas estratégias foram aplicadas com o intuito de quantificar o grau de confiabilidade do sistema, atestando a viabilidade da aplicação. Por fim, os resultados obtidos foram analisados e comentados qualitativamente, abordando também suas limitações e propostas para trabalhos futuros. Com o intuito de ajudar estudantes e pesquisadores a dar continuidade a este trabalho, os conceitos mais importantes de Redes Neurais Artificiais foram incluídos.Instituto Tecnológico de AeronáuticaJoão Roberto BarbosaBenedito Isaias de Lima LopesGustavo Ravanhani Matuck2009-11-27info:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesishttp://www.bd.bibl.ita.br/tde_busca/arquivo.php?codArquivo=912reponame:Biblioteca Digital de Teses e Dissertações do ITAinstname:Instituto Tecnológico de Aeronáuticainstacron:ITAporinfo:eu-repo/semantics/openAccessapplication/pdf2019-02-02T14:02:00Zoai:agregador.ibict.br.BDTD_ITA:oai:ita.br:912http://oai.bdtd.ibict.br/requestopendoar:null2020-05-28 19:34:42.696Biblioteca Digital de Teses e Dissertações do ITA - Instituto Tecnológico de Aeronáuticatrue |
dc.title.none.fl_str_mv |
Redes neurais artificiais na previsão de deterioração de desempenho de turbinas a gás. |
title |
Redes neurais artificiais na previsão de deterioração de desempenho de turbinas a gás. |
spellingShingle |
Redes neurais artificiais na previsão de deterioração de desempenho de turbinas a gás. Gustavo Ravanhani Matuck Turbinas a gás Análise de falhas Desempenho mecânico Redes neurais Inteligência artificial Engenharia mecânica |
title_short |
Redes neurais artificiais na previsão de deterioração de desempenho de turbinas a gás. |
title_full |
Redes neurais artificiais na previsão de deterioração de desempenho de turbinas a gás. |
title_fullStr |
Redes neurais artificiais na previsão de deterioração de desempenho de turbinas a gás. |
title_full_unstemmed |
Redes neurais artificiais na previsão de deterioração de desempenho de turbinas a gás. |
title_sort |
Redes neurais artificiais na previsão de deterioração de desempenho de turbinas a gás. |
author |
Gustavo Ravanhani Matuck |
author_facet |
Gustavo Ravanhani Matuck |
author_role |
author |
dc.contributor.none.fl_str_mv |
João Roberto Barbosa Benedito Isaias de Lima Lopes |
dc.contributor.author.fl_str_mv |
Gustavo Ravanhani Matuck |
dc.subject.por.fl_str_mv |
Turbinas a gás Análise de falhas Desempenho mecânico Redes neurais Inteligência artificial Engenharia mecânica |
topic |
Turbinas a gás Análise de falhas Desempenho mecânico Redes neurais Inteligência artificial Engenharia mecânica |
dc.description.none.fl_txt_mv |
A utilização de turbinas a gás, tanto para propulsão aeronáutica como para geração de energia, vem crescendo significativamente nas últimas décadas em todo o mundo. Devido à alta complexidade dos componentes do motor e à tecnologia avançada empregada, os gastos financeiros com a manutenção e operação de turbinas a gás são muito elevados. Uma grande preocupação para quem utiliza este tipo de motor é proporcionar uma alta potência gerada, melhorar os níveis de segurança, aumentar a confiabilidade, e manter uma alta disponibilidade e baixas emissões de poluentes, tudo isso no menor custo possível. Com o intuito de melhorar cada vez mais estes fatores, este campo de pesquisa tornou-se uma área muito atrativa e promissora. Com os olhos voltados para a operação do motor, vem crescendo a quantidade de adeptos que utilizam sistemas computacionais de monitoramento de desempenho de turbinas a gás. No entanto, esta não é uma tarefa trivial, pois envolve complexidade muito grande a ser aplicada em um ambiente extremamente não-linear. Degradações de desempenho de turbinas a gás podem ocorrer de diversas maneiras durante a operação do motor. A queda no desempenho acarreta maior consumo de combustível, desgaste dos componentes, alterações no fluxo do fluido pelos módulos do motor, emissão excessiva de poluentes, entre outros. Por isso há a necessidade de utilizar técnicas cada vez mais poderosas para realizar um diagnóstico eficaz que possa compreender o comportamento de uma turbina a gás em funcionamento. Redes Neurais Artificiais (RNA) é uma das técnicas em plena evolução e que estão sendo utilizadas atualmente pela comunidade científica. O interesse na utilização de RNA, no diagnóstico de falhas de turbinas a gás, vem crescendo acentuadamente, principalmente devido à redução nos gastos com a manutenção do motor e à confiabilidade obtida. Nesta tese, foi desenvolvido um sistema computacional que utiliza técnicas de RNA que detectam, isolam e avaliam falhas que podem ocorrer em uma turbina a gás. Este sistema é capaz de diagnosticar, com confiabilidade, falhas simples, bem como múltiplas falhas, que podem aparecer nos componentes do motor mesmo quando operado em condições adversas. Técnicas de pré-processamento dos padrões de falhas foram analisadas, testadas e comparadas com outros experimentos realizados, objetivando uma otimização de todo processo envolvido. Foi verificada também a robustez do sistema computacional quanto à presença de ruídos oriundos da aquisição das informações pelos sensores acoplados ao motor em operação. Algumas estratégias foram aplicadas com o intuito de quantificar o grau de confiabilidade do sistema, atestando a viabilidade da aplicação. Por fim, os resultados obtidos foram analisados e comentados qualitativamente, abordando também suas limitações e propostas para trabalhos futuros. Com o intuito de ajudar estudantes e pesquisadores a dar continuidade a este trabalho, os conceitos mais importantes de Redes Neurais Artificiais foram incluídos. |
description |
A utilização de turbinas a gás, tanto para propulsão aeronáutica como para geração de energia, vem crescendo significativamente nas últimas décadas em todo o mundo. Devido à alta complexidade dos componentes do motor e à tecnologia avançada empregada, os gastos financeiros com a manutenção e operação de turbinas a gás são muito elevados. Uma grande preocupação para quem utiliza este tipo de motor é proporcionar uma alta potência gerada, melhorar os níveis de segurança, aumentar a confiabilidade, e manter uma alta disponibilidade e baixas emissões de poluentes, tudo isso no menor custo possível. Com o intuito de melhorar cada vez mais estes fatores, este campo de pesquisa tornou-se uma área muito atrativa e promissora. Com os olhos voltados para a operação do motor, vem crescendo a quantidade de adeptos que utilizam sistemas computacionais de monitoramento de desempenho de turbinas a gás. No entanto, esta não é uma tarefa trivial, pois envolve complexidade muito grande a ser aplicada em um ambiente extremamente não-linear. Degradações de desempenho de turbinas a gás podem ocorrer de diversas maneiras durante a operação do motor. A queda no desempenho acarreta maior consumo de combustível, desgaste dos componentes, alterações no fluxo do fluido pelos módulos do motor, emissão excessiva de poluentes, entre outros. Por isso há a necessidade de utilizar técnicas cada vez mais poderosas para realizar um diagnóstico eficaz que possa compreender o comportamento de uma turbina a gás em funcionamento. Redes Neurais Artificiais (RNA) é uma das técnicas em plena evolução e que estão sendo utilizadas atualmente pela comunidade científica. O interesse na utilização de RNA, no diagnóstico de falhas de turbinas a gás, vem crescendo acentuadamente, principalmente devido à redução nos gastos com a manutenção do motor e à confiabilidade obtida. Nesta tese, foi desenvolvido um sistema computacional que utiliza técnicas de RNA que detectam, isolam e avaliam falhas que podem ocorrer em uma turbina a gás. Este sistema é capaz de diagnosticar, com confiabilidade, falhas simples, bem como múltiplas falhas, que podem aparecer nos componentes do motor mesmo quando operado em condições adversas. Técnicas de pré-processamento dos padrões de falhas foram analisadas, testadas e comparadas com outros experimentos realizados, objetivando uma otimização de todo processo envolvido. Foi verificada também a robustez do sistema computacional quanto à presença de ruídos oriundos da aquisição das informações pelos sensores acoplados ao motor em operação. Algumas estratégias foram aplicadas com o intuito de quantificar o grau de confiabilidade do sistema, atestando a viabilidade da aplicação. Por fim, os resultados obtidos foram analisados e comentados qualitativamente, abordando também suas limitações e propostas para trabalhos futuros. Com o intuito de ajudar estudantes e pesquisadores a dar continuidade a este trabalho, os conceitos mais importantes de Redes Neurais Artificiais foram incluídos. |
publishDate |
2009 |
dc.date.none.fl_str_mv |
2009-11-27 |
dc.type.driver.fl_str_mv |
info:eu-repo/semantics/publishedVersion info:eu-repo/semantics/masterThesis |
status_str |
publishedVersion |
format |
masterThesis |
dc.identifier.uri.fl_str_mv |
http://www.bd.bibl.ita.br/tde_busca/arquivo.php?codArquivo=912 |
url |
http://www.bd.bibl.ita.br/tde_busca/arquivo.php?codArquivo=912 |
dc.language.iso.fl_str_mv |
por |
language |
por |
dc.rights.driver.fl_str_mv |
info:eu-repo/semantics/openAccess |
eu_rights_str_mv |
openAccess |
dc.format.none.fl_str_mv |
application/pdf |
dc.publisher.none.fl_str_mv |
Instituto Tecnológico de Aeronáutica |
publisher.none.fl_str_mv |
Instituto Tecnológico de Aeronáutica |
dc.source.none.fl_str_mv |
reponame:Biblioteca Digital de Teses e Dissertações do ITA instname:Instituto Tecnológico de Aeronáutica instacron:ITA |
reponame_str |
Biblioteca Digital de Teses e Dissertações do ITA |
collection |
Biblioteca Digital de Teses e Dissertações do ITA |
instname_str |
Instituto Tecnológico de Aeronáutica |
instacron_str |
ITA |
institution |
ITA |
repository.name.fl_str_mv |
Biblioteca Digital de Teses e Dissertações do ITA - Instituto Tecnológico de Aeronáutica |
repository.mail.fl_str_mv |
|
subject_por_txtF_mv |
Turbinas a gás Análise de falhas Desempenho mecânico Redes neurais Inteligência artificial Engenharia mecânica |
_version_ |
1706809264184492032 |