Aplicação de SVM na classificação de falhas em rolamentos: uma comparação entre o domínio tempo e tempo-frequência
Autor(a) principal: | |
---|---|
Data de Publicação: | 2023 |
Tipo de documento: | Trabalho de conclusão de curso |
Idioma: | por |
Título da fonte: | Repositório Institucional da UFSCAR |
Texto Completo: | https://repositorio.ufscar.br/handle/ufscar/17909 |
Resumo: | In order to enhance the operational efficiency of mechanical components, predictive maintenance has emerged as a critical technique for detecting potential failures before they lead to severe consequences such as accidents, productivity losses, and unexpected disruptions in production processes. This investigation employed vibration analysis to differentiate faults in spherical bearings, utilizing vibration signals collected from both faultless bearings and those bearing point defects. Statistical descriptors such as standard deviation, root mean square value, and shape factor were employed in the time domain, while the wavelet packet transform, featuring energy values and Shannon entropy in the time-frequency domain, was used to perform the analyses. The data was classified using the Support Vector Machine (SVM) machine learning algorithm. Both approaches demonstrated their effectiveness in discerning the signals, with prediction accuracies of 97.92% and 100%, respectively, highlighting the feasibility of this technique for fault identification in spherical bearings. The time-frequency approach was more effective than the time domain approach, as the latter yielded misclassifications in certain cases. |
id |
SCAR_ee54f41a53a004e71404efc00da06e26 |
---|---|
oai_identifier_str |
oai:repositorio.ufscar.br:ufscar/17909 |
network_acronym_str |
SCAR |
network_name_str |
Repositório Institucional da UFSCAR |
repository_id_str |
4322 |
spelling |
Miranda, Isac José SilvaShiki, Sidney Brucehttp://lattes.cnpq.br/0573973677787523http://lattes.cnpq.br/86726862407573782f21e302-2efc-4b87-8f90-a0907037d0922023-05-02T17:58:54Z2023-05-02T17:58:54Z2023-03-16MIRANDA, Isac José Silva. Aplicação de SVM na classificação de falhas em rolamentos: uma comparação entre o domínio tempo e tempo-frequência. 2023. Trabalho de Conclusão de Curso (Graduação em Engenharia Mecânica) – Universidade Federal de São Carlos, São Carlos, 2023. Disponível em: https://repositorio.ufscar.br/handle/ufscar/17909.https://repositorio.ufscar.br/handle/ufscar/17909In order to enhance the operational efficiency of mechanical components, predictive maintenance has emerged as a critical technique for detecting potential failures before they lead to severe consequences such as accidents, productivity losses, and unexpected disruptions in production processes. This investigation employed vibration analysis to differentiate faults in spherical bearings, utilizing vibration signals collected from both faultless bearings and those bearing point defects. Statistical descriptors such as standard deviation, root mean square value, and shape factor were employed in the time domain, while the wavelet packet transform, featuring energy values and Shannon entropy in the time-frequency domain, was used to perform the analyses. The data was classified using the Support Vector Machine (SVM) machine learning algorithm. Both approaches demonstrated their effectiveness in discerning the signals, with prediction accuracies of 97.92% and 100%, respectively, highlighting the feasibility of this technique for fault identification in spherical bearings. The time-frequency approach was more effective than the time domain approach, as the latter yielded misclassifications in certain cases.Para otimizar a eficiência operacional de elementos mecânicos, a manutenção preditiva é uma técnica importante para detectar falhas em componentes antes de consequências mais graves, como acidentes, perdas de produtividade e paradas inesperadas em processos produtivos. Este trabalho utilizou análises de vibração para classificar falhas em rolamentos esféricos por meio de sinais de vibração adquiridos em rolamentos sem falhas e com falhas pontuais inseridas em seus elementos. Foram utilizados descritores estatísticos (desvio-padrão, valor de rms e fator de forma) no domínio tempo e a transformada wavelet packet com valores de energia e entropia de Shannon no tempo-frequência para realizar as análises. A classificação dos dados foi realizada por meio do algoritmo de aprendizado de máquina SVM (Support Vector Machine). Ambas as abordagens se mostraram eficazes na discriminação dos sinais, com acurácias de predição de 97,92% e 100%, respectivamente, demonstrando a aplicabilidade da técnica na identificação de falhas em rolamentos esféricos. A abordagem tempo-frequência foi mais eficaz do que a abordagem no domínio tempo, uma vez que algumas falhas foram classificadas erroneamente nesta última.Não recebi financiamentoporUniversidade Federal de São CarlosCâmpus São CarlosEngenharia Mecânica - EMecUFSCarAttribution-NonCommercial-NoDerivs 3.0 Brazilhttp://creativecommons.org/licenses/by-nc-nd/3.0/br/info:eu-repo/semantics/openAccessSVMFalhas em rolamentosManutenção preditivaWavelet packet transformENGENHARIAS::ENGENHARIA MECANICA::MECANICA DOS SOLIDOSAplicação de SVM na classificação de falhas em rolamentos: uma comparação entre o domínio tempo e tempo-frequênciaApplication of SVM in the classification of bearing failures: a comparison between time and time-frequency domainsinfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/bachelorThesis600600e25bf601-09ae-4b03-9190-e9a2dfd85fb2reponame:Repositório Institucional da UFSCARinstname:Universidade Federal de São Carlos (UFSCAR)instacron:UFSCARCC-LICENSElicense_rdflicense_rdfapplication/rdf+xml; charset=utf-8810https://repositorio.ufscar.br/bitstream/ufscar/17909/2/license_rdff337d95da1fce0a22c77480e5e9a7aecMD52ORIGINALTCC_2023-03_IJS_Miranda.pdfTCC_2023-03_IJS_Miranda.pdfapplication/pdf2069794https://repositorio.ufscar.br/bitstream/ufscar/17909/1/TCC_2023-03_IJS_Miranda.pdfaf80d74521388eb2fbef959220cf98aaMD51TEXTTCC_2023-03_IJS_Miranda.pdf.txtTCC_2023-03_IJS_Miranda.pdf.txtExtracted texttext/plain100696https://repositorio.ufscar.br/bitstream/ufscar/17909/3/TCC_2023-03_IJS_Miranda.pdf.txt9f216c742e18d0adb7aeca1b308acb7aMD53THUMBNAILTCC_2023-03_IJS_Miranda.pdf.jpgTCC_2023-03_IJS_Miranda.pdf.jpgIM Thumbnailimage/jpeg6160https://repositorio.ufscar.br/bitstream/ufscar/17909/4/TCC_2023-03_IJS_Miranda.pdf.jpgf13753f0220e177ff43058a03166b3eeMD54ufscar/179092023-09-18 18:32:38.353oai:repositorio.ufscar.br:ufscar/17909Repositório InstitucionalPUBhttps://repositorio.ufscar.br/oai/requestopendoar:43222023-09-18T18:32:38Repositório Institucional da UFSCAR - Universidade Federal de São Carlos (UFSCAR)false |
dc.title.por.fl_str_mv |
Aplicação de SVM na classificação de falhas em rolamentos: uma comparação entre o domínio tempo e tempo-frequência |
dc.title.alternative.eng.fl_str_mv |
Application of SVM in the classification of bearing failures: a comparison between time and time-frequency domains |
title |
Aplicação de SVM na classificação de falhas em rolamentos: uma comparação entre o domínio tempo e tempo-frequência |
spellingShingle |
Aplicação de SVM na classificação de falhas em rolamentos: uma comparação entre o domínio tempo e tempo-frequência Miranda, Isac José Silva SVM Falhas em rolamentos Manutenção preditiva Wavelet packet transform ENGENHARIAS::ENGENHARIA MECANICA::MECANICA DOS SOLIDOS |
title_short |
Aplicação de SVM na classificação de falhas em rolamentos: uma comparação entre o domínio tempo e tempo-frequência |
title_full |
Aplicação de SVM na classificação de falhas em rolamentos: uma comparação entre o domínio tempo e tempo-frequência |
title_fullStr |
Aplicação de SVM na classificação de falhas em rolamentos: uma comparação entre o domínio tempo e tempo-frequência |
title_full_unstemmed |
Aplicação de SVM na classificação de falhas em rolamentos: uma comparação entre o domínio tempo e tempo-frequência |
title_sort |
Aplicação de SVM na classificação de falhas em rolamentos: uma comparação entre o domínio tempo e tempo-frequência |
author |
Miranda, Isac José Silva |
author_facet |
Miranda, Isac José Silva |
author_role |
author |
dc.contributor.authorlattes.por.fl_str_mv |
http://lattes.cnpq.br/8672686240757378 |
dc.contributor.author.fl_str_mv |
Miranda, Isac José Silva |
dc.contributor.advisor1.fl_str_mv |
Shiki, Sidney Bruce |
dc.contributor.advisor1Lattes.fl_str_mv |
http://lattes.cnpq.br/0573973677787523 |
dc.contributor.authorID.fl_str_mv |
2f21e302-2efc-4b87-8f90-a0907037d092 |
contributor_str_mv |
Shiki, Sidney Bruce |
dc.subject.por.fl_str_mv |
SVM Falhas em rolamentos Manutenção preditiva |
topic |
SVM Falhas em rolamentos Manutenção preditiva Wavelet packet transform ENGENHARIAS::ENGENHARIA MECANICA::MECANICA DOS SOLIDOS |
dc.subject.eng.fl_str_mv |
Wavelet packet transform |
dc.subject.cnpq.fl_str_mv |
ENGENHARIAS::ENGENHARIA MECANICA::MECANICA DOS SOLIDOS |
description |
In order to enhance the operational efficiency of mechanical components, predictive maintenance has emerged as a critical technique for detecting potential failures before they lead to severe consequences such as accidents, productivity losses, and unexpected disruptions in production processes. This investigation employed vibration analysis to differentiate faults in spherical bearings, utilizing vibration signals collected from both faultless bearings and those bearing point defects. Statistical descriptors such as standard deviation, root mean square value, and shape factor were employed in the time domain, while the wavelet packet transform, featuring energy values and Shannon entropy in the time-frequency domain, was used to perform the analyses. The data was classified using the Support Vector Machine (SVM) machine learning algorithm. Both approaches demonstrated their effectiveness in discerning the signals, with prediction accuracies of 97.92% and 100%, respectively, highlighting the feasibility of this technique for fault identification in spherical bearings. The time-frequency approach was more effective than the time domain approach, as the latter yielded misclassifications in certain cases. |
publishDate |
2023 |
dc.date.accessioned.fl_str_mv |
2023-05-02T17:58:54Z |
dc.date.available.fl_str_mv |
2023-05-02T17:58:54Z |
dc.date.issued.fl_str_mv |
2023-03-16 |
dc.type.status.fl_str_mv |
info:eu-repo/semantics/publishedVersion |
dc.type.driver.fl_str_mv |
info:eu-repo/semantics/bachelorThesis |
format |
bachelorThesis |
status_str |
publishedVersion |
dc.identifier.citation.fl_str_mv |
MIRANDA, Isac José Silva. Aplicação de SVM na classificação de falhas em rolamentos: uma comparação entre o domínio tempo e tempo-frequência. 2023. Trabalho de Conclusão de Curso (Graduação em Engenharia Mecânica) – Universidade Federal de São Carlos, São Carlos, 2023. Disponível em: https://repositorio.ufscar.br/handle/ufscar/17909. |
dc.identifier.uri.fl_str_mv |
https://repositorio.ufscar.br/handle/ufscar/17909 |
identifier_str_mv |
MIRANDA, Isac José Silva. Aplicação de SVM na classificação de falhas em rolamentos: uma comparação entre o domínio tempo e tempo-frequência. 2023. Trabalho de Conclusão de Curso (Graduação em Engenharia Mecânica) – Universidade Federal de São Carlos, São Carlos, 2023. Disponível em: https://repositorio.ufscar.br/handle/ufscar/17909. |
url |
https://repositorio.ufscar.br/handle/ufscar/17909 |
dc.language.iso.fl_str_mv |
por |
language |
por |
dc.relation.confidence.fl_str_mv |
600 600 |
dc.relation.authority.fl_str_mv |
e25bf601-09ae-4b03-9190-e9a2dfd85fb2 |
dc.rights.driver.fl_str_mv |
Attribution-NonCommercial-NoDerivs 3.0 Brazil http://creativecommons.org/licenses/by-nc-nd/3.0/br/ info:eu-repo/semantics/openAccess |
rights_invalid_str_mv |
Attribution-NonCommercial-NoDerivs 3.0 Brazil http://creativecommons.org/licenses/by-nc-nd/3.0/br/ |
eu_rights_str_mv |
openAccess |
dc.publisher.none.fl_str_mv |
Universidade Federal de São Carlos Câmpus São Carlos Engenharia Mecânica - EMec |
dc.publisher.initials.fl_str_mv |
UFSCar |
publisher.none.fl_str_mv |
Universidade Federal de São Carlos Câmpus São Carlos Engenharia Mecânica - EMec |
dc.source.none.fl_str_mv |
reponame:Repositório Institucional da UFSCAR instname:Universidade Federal de São Carlos (UFSCAR) instacron:UFSCAR |
instname_str |
Universidade Federal de São Carlos (UFSCAR) |
instacron_str |
UFSCAR |
institution |
UFSCAR |
reponame_str |
Repositório Institucional da UFSCAR |
collection |
Repositório Institucional da UFSCAR |
bitstream.url.fl_str_mv |
https://repositorio.ufscar.br/bitstream/ufscar/17909/2/license_rdf https://repositorio.ufscar.br/bitstream/ufscar/17909/1/TCC_2023-03_IJS_Miranda.pdf https://repositorio.ufscar.br/bitstream/ufscar/17909/3/TCC_2023-03_IJS_Miranda.pdf.txt https://repositorio.ufscar.br/bitstream/ufscar/17909/4/TCC_2023-03_IJS_Miranda.pdf.jpg |
bitstream.checksum.fl_str_mv |
f337d95da1fce0a22c77480e5e9a7aec af80d74521388eb2fbef959220cf98aa 9f216c742e18d0adb7aeca1b308acb7a f13753f0220e177ff43058a03166b3ee |
bitstream.checksumAlgorithm.fl_str_mv |
MD5 MD5 MD5 MD5 |
repository.name.fl_str_mv |
Repositório Institucional da UFSCAR - Universidade Federal de São Carlos (UFSCAR) |
repository.mail.fl_str_mv |
|
_version_ |
1802136422102073344 |