Aprendizado de máquina para detecção de anomalias em máquinas rotativas por sinais de vibração

• Autor(a) principal: Folz, Klaus Jürgen
• Data de Publicação: 2021
• Tipo de documento: Trabalho de conclusão de curso
• Idioma: por
• Título da fonte: Repositório Institucional da UFRGS
• Texto Completo: http://hdl.handle.net/10183/234141
• topic: Máquinas rotativas; Aprendizado de máquina; Detecção de falhas; Machine learning; Vibration monitoring; Failure detection; Predictive maintenance

A manutenção de máquinas requer o contínuo aperfeiçoamento de técnicas e equipamentos para o monitoramento de parâmetros de funcionamento dos equipamentos. Os ganhos financeiros em evitar problemas catastróficos e em cascata em plantas industriais devido às falhas supera, em muito, gastos com monitoramento investimentos em novas tecnologias. Em máquinas rotativas, a vibração é um dos parâmetros mais investigados, visto que a ele está geralmente associado desbalanceamentos, desalinhamentos, defeitos em mancais e rolamentos. O uso de técnicas de aprendizado de máquina vem se tornando uma área de intensa pesquisa, muito em parte do relativo sucesso destas metodologias na classificação de defeitos, prognósticos de tempo de vida útil, além da possibilidade de tratamento online e em tempo real do monitoramento de máquinas. Este trabalho propõe a análise de técnicas existentes de aprendizado de máquinas para a classificação de defeitos em máquinas baseando-se em medidas de sinais de vibração e sinal sonoro do motor tomadas em pontos estratégicos das máquinas monitoradas. Prevê-se a construção de ferramentas que poderão prever e classificar defeitos em máquinas com acurácia e eficiência.