Classificador inteligente para falhas mecânicas em motores de indução trifásicos
Autor(a) principal: | |
---|---|
Data de Publicação: | 2023 |
Tipo de documento: | Trabalho de conclusão de curso |
Idioma: | por |
Título da fonte: | Repositório Institucional da UFRGS |
Texto Completo: | http://hdl.handle.net/10183/265542 |
Resumo: | Os motores de indução são um dos equipamentos mais relevantes para a indústria moderna devido a sua alta aplicabilidade e seu elevado rendimento energético. Em condições inadequadas de operação, como temperatura ou pressão elevada, vibrações ininterruptas e variações de carga, os motores tendem a aumentar a suscetibilidade a falhas externas e internas, acarretando em uma contração na sustentabilidade econômica do processo fabril e tornando-se uma fonte de vibrações excessivas, o que para análise estrutural pode ser fontes de risco a segurança de todo o ambiente no qual é instalado e seus arredores. Este trabalho tem como objetivo elaborar um sistema de diagnóstico para falhas mecânicas de motores de indução trifásico, utilizando sinais de vibração do maquinário provenientes base de dados MaFaulDa, para produzir um estudo comparativo de algoritmos inteligentes, como redes neurais artificiais, Florestas aleatórias, Adaboost, regressão logística e XGBoost utilizando características extraídas das séries temporais: índices de entropia, curtose, amplitude média, magnitude espectral média, máxima, sua centróide, em um sistema de segmentação de 10 ms. Avaliando duas técnicas para a otimização de hiperparâmetros - Algoritmos genéticos e a pesquisa randômica. Obtendo um teor de generalização em sua topologia final, indicado pela métrica de accuracy acima de 98%, adequando-se a faixa de valores dos modelos referencias na área. |
id |
UFRGS-2_3b91a1d7de7e1fb5b9077143cf755a21 |
---|---|
oai_identifier_str |
oai:www.lume.ufrgs.br:10183/265542 |
network_acronym_str |
UFRGS-2 |
network_name_str |
Repositório Institucional da UFRGS |
repository_id_str |
|
spelling |
Oliveira, Gabriel Cianni deBalbinot, Alexandre2023-09-30T03:41:54Z2023http://hdl.handle.net/10183/265542001170738Os motores de indução são um dos equipamentos mais relevantes para a indústria moderna devido a sua alta aplicabilidade e seu elevado rendimento energético. Em condições inadequadas de operação, como temperatura ou pressão elevada, vibrações ininterruptas e variações de carga, os motores tendem a aumentar a suscetibilidade a falhas externas e internas, acarretando em uma contração na sustentabilidade econômica do processo fabril e tornando-se uma fonte de vibrações excessivas, o que para análise estrutural pode ser fontes de risco a segurança de todo o ambiente no qual é instalado e seus arredores. Este trabalho tem como objetivo elaborar um sistema de diagnóstico para falhas mecânicas de motores de indução trifásico, utilizando sinais de vibração do maquinário provenientes base de dados MaFaulDa, para produzir um estudo comparativo de algoritmos inteligentes, como redes neurais artificiais, Florestas aleatórias, Adaboost, regressão logística e XGBoost utilizando características extraídas das séries temporais: índices de entropia, curtose, amplitude média, magnitude espectral média, máxima, sua centróide, em um sistema de segmentação de 10 ms. Avaliando duas técnicas para a otimização de hiperparâmetros - Algoritmos genéticos e a pesquisa randômica. Obtendo um teor de generalização em sua topologia final, indicado pela métrica de accuracy acima de 98%, adequando-se a faixa de valores dos modelos referencias na área.Induction motors are one of the most relevant equipment in modern industry due to their high applicability and energy efficiency. Under inadequate operating conditions, such as high temperature or pressure, uninterrupted vibrations and load variations, motors tend to increase their susceptibility to external and internal failures, resulting in a contraction in the economic sustainability of the manufacturing process and becoming a source of excessive vibrations, which is for structural analysis a risk source to the entire environment safety. This work aims to develop a diagnostic system for mechanical failures of three-phase induction motors, using machinery vibration signals from the MaFaulDa database, to elaborate a comparative study of intelligent algorithms, such as artificial neural networks, Random Forests, Adaboost, logistic regression and XGBoost. Extracting features from the time series such as entropy, kurtosis, mean amplitude, average spectral magnitude, its maximum and its centroid, in a 10 ms segmentation system. Evaluating the best two techniques for hyperparameter optimization - Genetic Algorithms and Random Search. Obtaining a generalization content in its final topology, indicated by the accuracy metric above 98%, fitting in the range of values of the area’s reference models.application/pdfporMotor de induçãoDiagnóstico de falhasAprendizado de máquinaVibração : MediçãoIntelligent modelsComputational intelligenceThree-phase induction motorsPredictive maintenanceClassificador inteligente para falhas mecânicas em motores de indução trifásicosinfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/bachelorThesisUniversidade Federal do Rio Grande do SulEscola de EngenhariaPorto Alegre, BR-RS2023Engenharia Elétricagraduaçãoinfo:eu-repo/semantics/openAccessreponame:Repositório Institucional da UFRGSinstname:Universidade Federal do Rio Grande do Sul (UFRGS)instacron:UFRGSTEXT001170738.pdf.txt001170738.pdf.txtExtracted Texttext/plain143391http://www.lume.ufrgs.br/bitstream/10183/265542/2/001170738.pdf.txt32e8668d0032de96caf1a3c2a654108eMD52ORIGINAL001170738.pdfTexto completoapplication/pdf11758317http://www.lume.ufrgs.br/bitstream/10183/265542/1/001170738.pdf0439f94d96615d986c0d7c5e417e8cb4MD5110183/2655422023-10-01 03:38:41.136881oai:www.lume.ufrgs.br:10183/265542Repositório de PublicaçõesPUBhttps://lume.ufrgs.br/oai/requestopendoar:2023-10-01T06:38:41Repositório Institucional da UFRGS - Universidade Federal do Rio Grande do Sul (UFRGS)false |
dc.title.pt_BR.fl_str_mv |
Classificador inteligente para falhas mecânicas em motores de indução trifásicos |
title |
Classificador inteligente para falhas mecânicas em motores de indução trifásicos |
spellingShingle |
Classificador inteligente para falhas mecânicas em motores de indução trifásicos Oliveira, Gabriel Cianni de Motor de indução Diagnóstico de falhas Aprendizado de máquina Vibração : Medição Intelligent models Computational intelligence Three-phase induction motors Predictive maintenance |
title_short |
Classificador inteligente para falhas mecânicas em motores de indução trifásicos |
title_full |
Classificador inteligente para falhas mecânicas em motores de indução trifásicos |
title_fullStr |
Classificador inteligente para falhas mecânicas em motores de indução trifásicos |
title_full_unstemmed |
Classificador inteligente para falhas mecânicas em motores de indução trifásicos |
title_sort |
Classificador inteligente para falhas mecânicas em motores de indução trifásicos |
author |
Oliveira, Gabriel Cianni de |
author_facet |
Oliveira, Gabriel Cianni de |
author_role |
author |
dc.contributor.author.fl_str_mv |
Oliveira, Gabriel Cianni de |
dc.contributor.advisor1.fl_str_mv |
Balbinot, Alexandre |
contributor_str_mv |
Balbinot, Alexandre |
dc.subject.por.fl_str_mv |
Motor de indução Diagnóstico de falhas Aprendizado de máquina Vibração : Medição |
topic |
Motor de indução Diagnóstico de falhas Aprendizado de máquina Vibração : Medição Intelligent models Computational intelligence Three-phase induction motors Predictive maintenance |
dc.subject.eng.fl_str_mv |
Intelligent models Computational intelligence Three-phase induction motors Predictive maintenance |
description |
Os motores de indução são um dos equipamentos mais relevantes para a indústria moderna devido a sua alta aplicabilidade e seu elevado rendimento energético. Em condições inadequadas de operação, como temperatura ou pressão elevada, vibrações ininterruptas e variações de carga, os motores tendem a aumentar a suscetibilidade a falhas externas e internas, acarretando em uma contração na sustentabilidade econômica do processo fabril e tornando-se uma fonte de vibrações excessivas, o que para análise estrutural pode ser fontes de risco a segurança de todo o ambiente no qual é instalado e seus arredores. Este trabalho tem como objetivo elaborar um sistema de diagnóstico para falhas mecânicas de motores de indução trifásico, utilizando sinais de vibração do maquinário provenientes base de dados MaFaulDa, para produzir um estudo comparativo de algoritmos inteligentes, como redes neurais artificiais, Florestas aleatórias, Adaboost, regressão logística e XGBoost utilizando características extraídas das séries temporais: índices de entropia, curtose, amplitude média, magnitude espectral média, máxima, sua centróide, em um sistema de segmentação de 10 ms. Avaliando duas técnicas para a otimização de hiperparâmetros - Algoritmos genéticos e a pesquisa randômica. Obtendo um teor de generalização em sua topologia final, indicado pela métrica de accuracy acima de 98%, adequando-se a faixa de valores dos modelos referencias na área. |
publishDate |
2023 |
dc.date.accessioned.fl_str_mv |
2023-09-30T03:41:54Z |
dc.date.issued.fl_str_mv |
2023 |
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.uri.fl_str_mv |
http://hdl.handle.net/10183/265542 |
dc.identifier.nrb.pt_BR.fl_str_mv |
001170738 |
url |
http://hdl.handle.net/10183/265542 |
identifier_str_mv |
001170738 |
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.source.none.fl_str_mv |
reponame:Repositório Institucional da UFRGS instname:Universidade Federal do Rio Grande do Sul (UFRGS) instacron:UFRGS |
instname_str |
Universidade Federal do Rio Grande do Sul (UFRGS) |
instacron_str |
UFRGS |
institution |
UFRGS |
reponame_str |
Repositório Institucional da UFRGS |
collection |
Repositório Institucional da UFRGS |
bitstream.url.fl_str_mv |
http://www.lume.ufrgs.br/bitstream/10183/265542/2/001170738.pdf.txt http://www.lume.ufrgs.br/bitstream/10183/265542/1/001170738.pdf |
bitstream.checksum.fl_str_mv |
32e8668d0032de96caf1a3c2a654108e 0439f94d96615d986c0d7c5e417e8cb4 |
bitstream.checksumAlgorithm.fl_str_mv |
MD5 MD5 |
repository.name.fl_str_mv |
Repositório Institucional da UFRGS - Universidade Federal do Rio Grande do Sul (UFRGS) |
repository.mail.fl_str_mv |
|
_version_ |
1801224667652947968 |