Uso de técnicas de aprendizado de máquina para previsão de falhas em turbogeradores

Detalhes bibliográficos
Autor(a) principal: Carvalho, Gustavo Luís Almeida de
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: 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.
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 Uso de técnicas de aprendizado de máquina para previsão de falhas em turbogeradoresEngenharia elétricaTurbogeradores : previsão de falhasCNPQ::ENGENHARIAS::ENGENHARIA ELETRICAIn 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.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.Universidade Federal do Rio de JaneiroBrasilInstituto Alberto Luiz Coimbra de Pós-Graduação e Pesquisa de EngenhariaPrograma de Pós-Graduação em Engenharia ElétricaUFRJLima Netto, Sergiohttp://lattes.cnpq.br/3126502327974203Lima, Amaro Azevedo deSilva, Eduardo Antônio Barros daHaddad, Diego BarretoCarvalho, Gustavo Luís Almeida de2019-09-12T18:04:11Z2023-12-21T03:01:23Z2018-03info:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesishttp://hdl.handle.net/11422/9489porinfo:eu-repo/semantics/openAccessreponame:Repositório Institucional da UFRJinstname:Universidade Federal do Rio de Janeiro (UFRJ)instacron:UFRJ2023-12-21T03:01:23Zoai:pantheon.ufrj.br:11422/9489Repositório InstitucionalPUBhttp://www.pantheon.ufrj.br/oai/requestpantheon@sibi.ufrj.bropendoar:2023-12-21T03:01:23Repositório Institucional da UFRJ - Universidade Federal do Rio de Janeiro (UFRJ)false
dc.title.none.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
Engenharia elétrica
Turbogeradores : previsão de falhas
CNPQ::ENGENHARIAS::ENGENHARIA ELETRICA
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.none.fl_str_mv Lima Netto, Sergio
http://lattes.cnpq.br/3126502327974203
Lima, Amaro Azevedo de
Silva, Eduardo Antônio Barros da
Haddad, Diego Barreto
dc.contributor.author.fl_str_mv Carvalho, Gustavo Luís Almeida de
dc.subject.por.fl_str_mv Engenharia elétrica
Turbogeradores : previsão de falhas
CNPQ::ENGENHARIAS::ENGENHARIA ELETRICA
topic Engenharia elétrica
Turbogeradores : previsão de falhas
CNPQ::ENGENHARIAS::ENGENHARIA ELETRICA
description 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.
publishDate 2018
dc.date.none.fl_str_mv 2018-03
2019-09-12T18:04:11Z
2023-12-21T03:01:23Z
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
Brasil
Instituto Alberto Luiz Coimbra de Pós-Graduação e Pesquisa de Engenharia
Programa de Pós-Graduação em Engenharia Elétrica
UFRJ
publisher.none.fl_str_mv Universidade Federal do Rio de Janeiro
Brasil
Instituto Alberto Luiz Coimbra de Pós-Graduação e Pesquisa de Engenharia
Programa de Pós-Graduação em Engenharia Elétrica
UFRJ
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
repository.name.fl_str_mv Repositório Institucional da UFRJ - Universidade Federal do Rio de Janeiro (UFRJ)
repository.mail.fl_str_mv pantheon@sibi.ufrj.br
_version_ 1815455995403436032

Registros relacionados