Desenvolvimento de modelos de predição de falhas em turbogeradores por meio da análise multivariada de séries temporais.

• Autor(a) principal: DIAS, Marianna Barbosa Brito.
• Data de Publicação: 2021
• Tipo de documento: Trabalho de conclusão de curso
• Idioma: por
• Título da fonte: Biblioteca Digital de Teses e Dissertações da UFCG
• Texto Completo: http://dspace.sti.ufcg.edu.br:8080/jspui/handle/riufcg/27614
• topic: Falhas em turbogeradores - predição; Failures in turbo generators - prediction; Modelos de predição de falhas; Failure prediction models; Análise multivariada de séries temporais; Multivariate analysis of time series; Séries temporais multivariadas; Multivariate time series; Turbogeradores; Turbogenerators; Detecção de falhas; Fault detection; Aprendizado de máquina; Machine learning; Redes neurais recorrentes; Recurrent neural networks; Long short term memory; Vector autoregression; Deep learning; Aprendizagem profunda; Engenharia Elétrica

Este trabalho trata da documentação de um estudo sobre análise de séries temporais multivariadas aplicadas a modelos de classificação. Como estudo de caso, foi desenvolvido um modelo de predição de falhas em turbogeradores de um sistema de geração isolado. Para isso, foram utilizados dados operacionais e registros de monitoramento de um dos turbogeradores do sistema. Esses dados passaram por uma etapa de pré-processamento, na qual é realizada uma limpeza nos dados e seleção dos atributos mais relevantes para o desenvolvimento do modelo de detecção de falhas. Ao longo do trabalho foi implementado um modelo de previsão de séries temporais multivariadas baseado em VAR (do inglês Vector AutoRegression para constituir uma base de dados artificial de modo a contribuir com questões de desbalanceamento na detecção de falhas. Já o classificador foi desenvolvido com o uso de um modelo de aprendizado de máquina baseado redes neurais recorrentes do tipo LSTM (do inglês Long Short Term Memory). Os testes realizados até o momento indicam que as técnicas implementadas apresentam resultados satisfatórios nas detecção de falhas do turbogerador, contribuindo no processo de gerenciamento de ativos.