Aprendizado de máquina aplicado ao reconhecimento automático de falhas em máquinas rotativas
Autor(a) principal: | |
---|---|
Data de Publicação: | 2018 |
Tipo de documento: | Dissertação |
Idioma: | por |
Título da fonte: | Repositório Institucional da UFMG |
Texto Completo: | http://hdl.handle.net/1843/BUBD-B4PP45 |
Resumo: | As máquinas rotativas como motores, geradores e motobombas são equipamentos comumente utilizados em quase todos os processos industriais. A análise de vibrações mecânicas tem sido uma importante técnica adotada nas empresas para avaliações do estado de operação das máquinas industriais. Este trabalho utiliza-se de uma basede dados de sinais de vibrações mecânicas para classificar automaticamente falhas em máquinas rotativas. São apresentados três modelos de extração de características de sinais de vibrações mecânicas: (i) RMS (Root Means Squares), (ii) Wavelet de Haar edimensão fractal e (iii) FFT (Fast Fourier Transform) com dados estatísticos. Por fim, é utilizado o conceito de aprendizado de máquina com os classificadores KNN (K-vizinhos mais próximos), SVM (Máquina de Vetores de Suporte) e XGBoost (Extreme Gradient Boosting)para diagnosticar as falhas. Os resultados demonstram eficiência detodas as técnicas, sendo que na abordagem Wavelet de Haar e dimensão fractal combinados com o XGBoost obteve os melhores resultados. Foi possível atingir uma acurácia de 98 . 7% (MAUC (Multi-class Extension of AUC) =0.9704) nas falhas em máquinas rota-tivas e 99 . 36% de acurácia (MAUC = 0.9965) na detecção de problemas nos mancais de rolamento. Além disso, obteve resultados intraclasse notáveis, se mostrando bastante promissor para o objeto dessa dissertação. |
id |
UFMG_ac3cb0c9c50ea2eb21613168b2d9279d |
---|---|
oai_identifier_str |
oai:repositorio.ufmg.br:1843/BUBD-B4PP45 |
network_acronym_str |
UFMG |
network_name_str |
Repositório Institucional da UFMG |
repository_id_str |
|
spelling |
Joao Antonio de VasconcelosCristiano Leite de CastroMarconi de Arruda PereiraDiego Silva Caldeira Rocha2019-08-12T16:45:56Z2019-08-12T16:45:56Z2018-06-08http://hdl.handle.net/1843/BUBD-B4PP45As máquinas rotativas como motores, geradores e motobombas são equipamentos comumente utilizados em quase todos os processos industriais. A análise de vibrações mecânicas tem sido uma importante técnica adotada nas empresas para avaliações do estado de operação das máquinas industriais. Este trabalho utiliza-se de uma basede dados de sinais de vibrações mecânicas para classificar automaticamente falhas em máquinas rotativas. São apresentados três modelos de extração de características de sinais de vibrações mecânicas: (i) RMS (Root Means Squares), (ii) Wavelet de Haar edimensão fractal e (iii) FFT (Fast Fourier Transform) com dados estatísticos. Por fim, é utilizado o conceito de aprendizado de máquina com os classificadores KNN (K-vizinhos mais próximos), SVM (Máquina de Vetores de Suporte) e XGBoost (Extreme Gradient Boosting)para diagnosticar as falhas. Os resultados demonstram eficiência detodas as técnicas, sendo que na abordagem Wavelet de Haar e dimensão fractal combinados com o XGBoost obteve os melhores resultados. Foi possível atingir uma acurácia de 98 . 7% (MAUC (Multi-class Extension of AUC) =0.9704) nas falhas em máquinas rota-tivas e 99 . 36% de acurácia (MAUC = 0.9965) na detecção de problemas nos mancais de rolamento. Além disso, obteve resultados intraclasse notáveis, se mostrando bastante promissor para o objeto dessa dissertação.Rotary machines such as motors, generators and pumps are commonly used in almost all industrial processes. The analysis of mechanical vibrations has been an important technique adopted in companies to evaluate the state of operation of industrial machines. This work uses a database of mechanical vibration signals to automati-cally classify faults in rotary machines. Three models of extraction of characteristics of mechanical vibration signals are presented: (i) RMS (Root Means Squares), (ii) Haar Wavelet and fractal dimension and (iii) FFT (Fast Fourier transform) with statistical data. Finally, the machine learning concept is used with the classifiers KNN (K-NearestNeighbors), SVM (Support Vector Machine) and XGBoost (Extreme Gradient Boosting) to diagnose faults. The results demonstrate the effi ciency of all the techniques, although wavelet approach and fractal dimension combined with XGBoost, presenting the best results. It was possible to reach an accuracy of 98 . 7% (MAUC (Multi-class Extension ofAUC)=0.9704) on rotating machine failures and 99 . 36% of accuracy (MAUC=0.9965) for bearing problems. In addition, it obtained remarkable intraclass results and was very promising for the subject of this dissertation.Universidade Federal de Minas GeraisUFMGEngenharia elétricaVibrações mecânicasMáquinas rotativas FalhasDiagnóstico de falhas em máquinas rotativasXGBoostExtração de característicasKNNSVMVibrações mecânicasAprendizado de máquina aplicado ao reconhecimento automático de falhas em máquinas rotativasinfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisinfo:eu-repo/semantics/openAccessporreponame:Repositório Institucional da UFMGinstname:Universidade Federal de Minas Gerais (UFMG)instacron:UFMGORIGINALppgengeletrica_diegosilvacaldeirarocha_dissertacaomestrado.pdfapplication/pdf2722757https://repositorio.ufmg.br/bitstream/1843/BUBD-B4PP45/1/ppgengeletrica_diegosilvacaldeirarocha_dissertacaomestrado.pdfb22c9c1af210e65d58d7fbb39018f64aMD51TEXTppgengeletrica_diegosilvacaldeirarocha_dissertacaomestrado.pdf.txtppgengeletrica_diegosilvacaldeirarocha_dissertacaomestrado.pdf.txtExtracted texttext/plain99937https://repositorio.ufmg.br/bitstream/1843/BUBD-B4PP45/2/ppgengeletrica_diegosilvacaldeirarocha_dissertacaomestrado.pdf.txt1fd3a5f8b8d427754a76892f9a978c7bMD521843/BUBD-B4PP452019-11-14 18:50:10.734oai:repositorio.ufmg.br:1843/BUBD-B4PP45Repositório de PublicaçõesPUBhttps://repositorio.ufmg.br/oaiopendoar:2019-11-14T21:50:10Repositório Institucional da UFMG - Universidade Federal de Minas Gerais (UFMG)false |
dc.title.pt_BR.fl_str_mv |
Aprendizado de máquina aplicado ao reconhecimento automático de falhas em máquinas rotativas |
title |
Aprendizado de máquina aplicado ao reconhecimento automático de falhas em máquinas rotativas |
spellingShingle |
Aprendizado de máquina aplicado ao reconhecimento automático de falhas em máquinas rotativas Diego Silva Caldeira Rocha Diagnóstico de falhas em máquinas rotativas XGBoost Extração de características KNN SVM Vibrações mecânicas Engenharia elétrica Vibrações mecânicas Máquinas rotativas Falhas |
title_short |
Aprendizado de máquina aplicado ao reconhecimento automático de falhas em máquinas rotativas |
title_full |
Aprendizado de máquina aplicado ao reconhecimento automático de falhas em máquinas rotativas |
title_fullStr |
Aprendizado de máquina aplicado ao reconhecimento automático de falhas em máquinas rotativas |
title_full_unstemmed |
Aprendizado de máquina aplicado ao reconhecimento automático de falhas em máquinas rotativas |
title_sort |
Aprendizado de máquina aplicado ao reconhecimento automático de falhas em máquinas rotativas |
author |
Diego Silva Caldeira Rocha |
author_facet |
Diego Silva Caldeira Rocha |
author_role |
author |
dc.contributor.advisor1.fl_str_mv |
Joao Antonio de Vasconcelos |
dc.contributor.referee1.fl_str_mv |
Cristiano Leite de Castro |
dc.contributor.referee2.fl_str_mv |
Marconi de Arruda Pereira |
dc.contributor.author.fl_str_mv |
Diego Silva Caldeira Rocha |
contributor_str_mv |
Joao Antonio de Vasconcelos Cristiano Leite de Castro Marconi de Arruda Pereira |
dc.subject.por.fl_str_mv |
Diagnóstico de falhas em máquinas rotativas XGBoost Extração de características KNN SVM Vibrações mecânicas |
topic |
Diagnóstico de falhas em máquinas rotativas XGBoost Extração de características KNN SVM Vibrações mecânicas Engenharia elétrica Vibrações mecânicas Máquinas rotativas Falhas |
dc.subject.other.pt_BR.fl_str_mv |
Engenharia elétrica Vibrações mecânicas Máquinas rotativas Falhas |
description |
As máquinas rotativas como motores, geradores e motobombas são equipamentos comumente utilizados em quase todos os processos industriais. A análise de vibrações mecânicas tem sido uma importante técnica adotada nas empresas para avaliações do estado de operação das máquinas industriais. Este trabalho utiliza-se de uma basede dados de sinais de vibrações mecânicas para classificar automaticamente falhas em máquinas rotativas. São apresentados três modelos de extração de características de sinais de vibrações mecânicas: (i) RMS (Root Means Squares), (ii) Wavelet de Haar edimensão fractal e (iii) FFT (Fast Fourier Transform) com dados estatísticos. Por fim, é utilizado o conceito de aprendizado de máquina com os classificadores KNN (K-vizinhos mais próximos), SVM (Máquina de Vetores de Suporte) e XGBoost (Extreme Gradient Boosting)para diagnosticar as falhas. Os resultados demonstram eficiência detodas as técnicas, sendo que na abordagem Wavelet de Haar e dimensão fractal combinados com o XGBoost obteve os melhores resultados. Foi possível atingir uma acurácia de 98 . 7% (MAUC (Multi-class Extension of AUC) =0.9704) nas falhas em máquinas rota-tivas e 99 . 36% de acurácia (MAUC = 0.9965) na detecção de problemas nos mancais de rolamento. Além disso, obteve resultados intraclasse notáveis, se mostrando bastante promissor para o objeto dessa dissertação. |
publishDate |
2018 |
dc.date.issued.fl_str_mv |
2018-06-08 |
dc.date.accessioned.fl_str_mv |
2019-08-12T16:45:56Z |
dc.date.available.fl_str_mv |
2019-08-12T16:45:56Z |
dc.type.status.fl_str_mv |
info:eu-repo/semantics/publishedVersion |
dc.type.driver.fl_str_mv |
info:eu-repo/semantics/masterThesis |
format |
masterThesis |
status_str |
publishedVersion |
dc.identifier.uri.fl_str_mv |
http://hdl.handle.net/1843/BUBD-B4PP45 |
url |
http://hdl.handle.net/1843/BUBD-B4PP45 |
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.publisher.none.fl_str_mv |
Universidade Federal de Minas Gerais |
dc.publisher.initials.fl_str_mv |
UFMG |
publisher.none.fl_str_mv |
Universidade Federal de Minas Gerais |
dc.source.none.fl_str_mv |
reponame:Repositório Institucional da UFMG instname:Universidade Federal de Minas Gerais (UFMG) instacron:UFMG |
instname_str |
Universidade Federal de Minas Gerais (UFMG) |
instacron_str |
UFMG |
institution |
UFMG |
reponame_str |
Repositório Institucional da UFMG |
collection |
Repositório Institucional da UFMG |
bitstream.url.fl_str_mv |
https://repositorio.ufmg.br/bitstream/1843/BUBD-B4PP45/1/ppgengeletrica_diegosilvacaldeirarocha_dissertacaomestrado.pdf https://repositorio.ufmg.br/bitstream/1843/BUBD-B4PP45/2/ppgengeletrica_diegosilvacaldeirarocha_dissertacaomestrado.pdf.txt |
bitstream.checksum.fl_str_mv |
b22c9c1af210e65d58d7fbb39018f64a 1fd3a5f8b8d427754a76892f9a978c7b |
bitstream.checksumAlgorithm.fl_str_mv |
MD5 MD5 |
repository.name.fl_str_mv |
Repositório Institucional da UFMG - Universidade Federal de Minas Gerais (UFMG) |
repository.mail.fl_str_mv |
|
_version_ |
1803589438764220416 |