Uso de técnicas de aprendizado de máquina para previsão de falhas em turbogeradores
Autor(a) principal: | |
---|---|
Data de Publicação: | 2018 |
Tipo de documento: | Dissertação |
Idioma: | por |
Título da fonte: | Repositório Institucional da UFRJ |
Texto Completo: | http://hdl.handle.net/11422/9489 |
Resumo: | Na indústria, a capacidade de detecção de anomalias nas condições operacionais é de grande interesse. Se identificadas com a antecedência adequada, as intervenções de manutenção podem ser planejadas sob demanda, o que determina um programa de manutenção baseada em condição. Com o aumento da quantidade de dados adquiridos para supervisão e do poder computacional para processamento, o desenvolvimento de técnicas de aprendizado de máquina pode auxiliar na detecção de condições de operação que indiquem necessidade de manutenção. Nesta dissertação, a aplicação destas técnicas é estudada para permitir a identificação de falhas em partidas de turbogeradores. Apresentam-se metodologias para o tratamento dos bancos de dados de operação, para a seleção de variáveis e para o levantamento de características que representem os casos operacionais adequadamente. Classificadores são projetados a partir destes dados e comparados entre si para avaliar a eficácia destes métodos. |
id |
UFRJ_e0c65d645f8f6f015020e6f91d10bad3 |
---|---|
oai_identifier_str |
oai:pantheon.ufrj.br:11422/9489 |
network_acronym_str |
UFRJ |
network_name_str |
Repositório Institucional da UFRJ |
repository_id_str |
|
spelling |
Carvalho, Gustavo Luís Almeida dehttp://lattes.cnpq.br/3126502327974203Lima, Amaro Azevedo deSilva, Eduardo Antônio Barros daHaddad, Diego BarretoLima Netto, Sergio2019-09-12T18:04:11Z2023-11-30T03:01:02Z2018-03http://hdl.handle.net/11422/9489Na indústria, a capacidade de detecção de anomalias nas condições operacionais é de grande interesse. Se identificadas com a antecedência adequada, as intervenções de manutenção podem ser planejadas sob demanda, o que determina um programa de manutenção baseada em condição. Com o aumento da quantidade de dados adquiridos para supervisão e do poder computacional para processamento, o desenvolvimento de técnicas de aprendizado de máquina pode auxiliar na detecção de condições de operação que indiquem necessidade de manutenção. Nesta dissertação, a aplicação destas técnicas é estudada para permitir a identificação de falhas em partidas de turbogeradores. Apresentam-se metodologias para o tratamento dos bancos de dados de operação, para a seleção de variáveis e para o levantamento de características que representem os casos operacionais adequadamente. Classificadores são projetados a partir destes dados e comparados entre si para avaliar a eficácia destes métodos.In the industry, anomaly detection capability under the operating conditions is of great interest. If identi ed well in advance, maintenance interventions can be planned on demand, which determines a condition based maintenance. With the increase of the amount of data acquired for supervision and of the computational power for processing, the development of machine learning techniques can aid in the detection of operating conditions that indicate maintenance needs. In this dissertation, such techniques are applied to allow the identi cation of failures in turbo generators. Methodologies are presented for the treatment of the operation databases, for the selection of variables and for the identi cation of characteristics that represent the operational cases properly. Classi ers are designed with this data and compared to each other to evaluate the e ectiveness of these methods.Submitted by Aglair Aguiar (aglair@ct.ufrj.br) on 2019-09-12T18:04:11Z No. of bitstreams: 1 882220.pdf: 1323208 bytes, checksum: c212312f8596275358fe4f3aac82a20f (MD5)Made available in DSpace on 2019-09-12T18:04:11Z (GMT). No. of bitstreams: 1 882220.pdf: 1323208 bytes, checksum: c212312f8596275358fe4f3aac82a20f (MD5) Previous issue date: 2018-03porUniversidade Federal do Rio de JaneiroPrograma de Pós-Graduação em Engenharia ElétricaUFRJBrasilInstituto Alberto Luiz Coimbra de Pós-Graduação e Pesquisa de EngenhariaCNPQ::ENGENHARIAS::ENGENHARIA ELETRICAEngenharia elétricaTurbogeradores : previsão de falhasUso de técnicas de aprendizado de máquina para previsão de falhas em turbogeradoresinfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisabertoinfo:eu-repo/semantics/openAccessreponame:Repositório Institucional da UFRJinstname:Universidade Federal do Rio de Janeiro (UFRJ)instacron:UFRJORIGINAL882220.pdf882220.pdfapplication/pdf1323208http://pantheon.ufrj.br:80/bitstream/11422/9489/1/882220.pdfc212312f8596275358fe4f3aac82a20fMD51LICENSElicense.txtlicense.txttext/plain; charset=utf-81853http://pantheon.ufrj.br:80/bitstream/11422/9489/2/license.txtdd32849f2bfb22da963c3aac6e26e255MD5211422/94892023-11-30 00:01:02.685oai:pantheon.ufrj.br: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Repositório de PublicaçõesPUBhttp://www.pantheon.ufrj.br/oai/requestopendoar:2023-11-30T03:01:02Repositório Institucional da UFRJ - Universidade Federal do Rio de Janeiro (UFRJ)false |
dc.title.pt_BR.fl_str_mv |
Uso de técnicas de aprendizado de máquina para previsão de falhas em turbogeradores |
title |
Uso de técnicas de aprendizado de máquina para previsão de falhas em turbogeradores |
spellingShingle |
Uso de técnicas de aprendizado de máquina para previsão de falhas em turbogeradores Carvalho, Gustavo Luís Almeida de CNPQ::ENGENHARIAS::ENGENHARIA ELETRICA Engenharia elétrica Turbogeradores : previsão de falhas |
title_short |
Uso de técnicas de aprendizado de máquina para previsão de falhas em turbogeradores |
title_full |
Uso de técnicas de aprendizado de máquina para previsão de falhas em turbogeradores |
title_fullStr |
Uso de técnicas de aprendizado de máquina para previsão de falhas em turbogeradores |
title_full_unstemmed |
Uso de técnicas de aprendizado de máquina para previsão de falhas em turbogeradores |
title_sort |
Uso de técnicas de aprendizado de máquina para previsão de falhas em turbogeradores |
author |
Carvalho, Gustavo Luís Almeida de |
author_facet |
Carvalho, Gustavo Luís Almeida de |
author_role |
author |
dc.contributor.authorLattes.pt_BR.fl_str_mv |
http://lattes.cnpq.br/3126502327974203 |
dc.contributor.advisorCo1.none.fl_str_mv |
Lima, Amaro Azevedo de |
dc.contributor.author.fl_str_mv |
Carvalho, Gustavo Luís Almeida de |
dc.contributor.referee1.fl_str_mv |
Silva, Eduardo Antônio Barros da |
dc.contributor.referee2.fl_str_mv |
Haddad, Diego Barreto |
dc.contributor.advisor1.fl_str_mv |
Lima Netto, Sergio |
contributor_str_mv |
Silva, Eduardo Antônio Barros da Haddad, Diego Barreto Lima Netto, Sergio |
dc.subject.cnpq.fl_str_mv |
CNPQ::ENGENHARIAS::ENGENHARIA ELETRICA |
topic |
CNPQ::ENGENHARIAS::ENGENHARIA ELETRICA Engenharia elétrica Turbogeradores : previsão de falhas |
dc.subject.por.fl_str_mv |
Engenharia elétrica Turbogeradores : previsão de falhas |
description |
Na indústria, a capacidade de detecção de anomalias nas condições operacionais é de grande interesse. Se identificadas com a antecedência adequada, as intervenções de manutenção podem ser planejadas sob demanda, o que determina um programa de manutenção baseada em condição. Com o aumento da quantidade de dados adquiridos para supervisão e do poder computacional para processamento, o desenvolvimento de técnicas de aprendizado de máquina pode auxiliar na detecção de condições de operação que indiquem necessidade de manutenção. Nesta dissertação, a aplicação destas técnicas é estudada para permitir a identificação de falhas em partidas de turbogeradores. Apresentam-se metodologias para o tratamento dos bancos de dados de operação, para a seleção de variáveis e para o levantamento de características que representem os casos operacionais adequadamente. Classificadores são projetados a partir destes dados e comparados entre si para avaliar a eficácia destes métodos. |
publishDate |
2018 |
dc.date.issued.fl_str_mv |
2018-03 |
dc.date.accessioned.fl_str_mv |
2019-09-12T18:04:11Z |
dc.date.available.fl_str_mv |
2023-11-30T03:01:02Z |
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/11422/9489 |
url |
http://hdl.handle.net/11422/9489 |
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 do Rio de Janeiro |
dc.publisher.program.fl_str_mv |
Programa de Pós-Graduação em Engenharia Elétrica |
dc.publisher.initials.fl_str_mv |
UFRJ |
dc.publisher.country.fl_str_mv |
Brasil |
dc.publisher.department.fl_str_mv |
Instituto Alberto Luiz Coimbra de Pós-Graduação e Pesquisa de Engenharia |
publisher.none.fl_str_mv |
Universidade Federal do Rio de Janeiro |
dc.source.none.fl_str_mv |
reponame:Repositório Institucional da UFRJ instname:Universidade Federal do Rio de Janeiro (UFRJ) instacron:UFRJ |
instname_str |
Universidade Federal do Rio de Janeiro (UFRJ) |
instacron_str |
UFRJ |
institution |
UFRJ |
reponame_str |
Repositório Institucional da UFRJ |
collection |
Repositório Institucional da UFRJ |
bitstream.url.fl_str_mv |
http://pantheon.ufrj.br:80/bitstream/11422/9489/1/882220.pdf http://pantheon.ufrj.br:80/bitstream/11422/9489/2/license.txt |
bitstream.checksum.fl_str_mv |
c212312f8596275358fe4f3aac82a20f dd32849f2bfb22da963c3aac6e26e255 |
bitstream.checksumAlgorithm.fl_str_mv |
MD5 MD5 |
repository.name.fl_str_mv |
Repositório Institucional da UFRJ - Universidade Federal do Rio de Janeiro (UFRJ) |
repository.mail.fl_str_mv |
|
_version_ |
1784097155770744832 |