Visão computacional aplicada a gestão da manutenção de sistemas de engrenagens

• Autor(a) principal: ALMEIDA, Jane Kelly Barbosa de
• Data de Publicação: 2021
• Tipo de documento: Dissertação
• Idioma: por
• Título da fonte: Repositório Institucional da UFPE
• Texto Completo: https://repositorio.ufpe.br/handle/123456789/41474
• topic: Engrenagens; Imagens; Processamento de imagens; Desgaste mecânico; Aprendizado de computador; Algoritmos

O desgaste progressivo de peças rotativas como engrenagens é um problema recorrente, principalmente para sistemas de produção cada vez mais sensíveis as variações destes componentes. Por isso, este trabalho propõe um framework para detectar desgastes superficiais em engrenagens de dentes retos, por meio de imagens digitais superficiais de dentes de engrenagem. Com o objetivo de responder a quatro questões norteadoras sobre o tema visão computacional e gestão da manutenção, uma revisão sistemática foi elaborada por meio de pesquisas realizadas nas bases de dados IEEE, Scopus, ScienceDirect e Web of Science e o software Start foi utilizado no processo metodológico. Uma bancada experimental foi construída para permitir a captura de imagens de dentes de engrenagem por meio de câmeras endoscópicas. As imagens foram selecionadas, pré-processadas, armazenadas em um banco de dados e utilizadas no estudo experimental do framework proposto. Três métodos foram estudados no framework para a identificação de desgastes em engrenagens de dentes retos: detecção de bordas, extração de recursos Gray Level Co-occurrence Matrix (GLCM) aplicados em algoritmos de machine learning e deep learning com Convolutional Neural Network (CNN). Os resultados foram acurácia de 85% com o algoritmo de detecção de bordas, acima de 60% para o classificador Support Vector Machine (SVM) e superior a 70% para o classificador K - Nearest Neighbors (KNN), além disso o algoritmo PCA analisou o comportamento da combinação dos recursos energy, homogeneity, contrast, dissimilarity, entropy e correlation concluindo que o distanciamento gradativo dos componentes principais caracteriza a formação e avanço do desgaste e a Convolutional Neural Network (CNN) obteve acurácia de 99,999981% e taxa de loss de 1,8822 10 ^ 5  − no treinamento e CAR de 91,6666%, F1_Score de 90,9090% e Recall de 83,3334% durante a etapa de teste.