Classificação automatizada de falhas tribológicas de sistemas alternativos com o uso de redes neurais artificiais não supervisionadas

• Autor(a) principal: Cabral, Marco Antonio Leandro
• Data de Publicação: 2017
• Tipo de documento: Tese
• Idioma: por
• Título da fonte: Repositório Institucional da UFRN
• Texto Completo: https://repositorio.ufrn.br/jspui/handle/123456789/22518
• topic: CNPQ::ENGENHARIAS::ENGENHARIA MECANICA; Tribologia; Desgaste; Sistemas eletromecânicos; Manutenção; Análise de sinais; Redes neurais artificiais; Mapas de Kohonen; Segmentação de imagens; FMEA; Confiabilidade

Prevenir, antever, evitar falhas em sistemas eletromecânicos são demandas que desafiam pesquisadores e profissionais de engenharia a décadas. Sistemas eletromecânicos apresentam processos tribológicos que resultam em fadiga de materiais e consequente perda de eficiência ou mesmo de utilidade de máquinas e equipamentos. Diversas técnicas são utilizadas na tentativa de, através da análise de sinais oriundos dos equipamentos estudados, que seja possível a minimização das perdas inerentes àqueles sistemas e as consequências desses desgastes em momentos não esperados, como uma aeronave em voo ou uma perfuratriz em um poço de petróleo. Dentre elas podemos citar a análise de vibração, medição da pressão acústica, monitoramento de temperatura, análise de partículas de óleo lubrificante etc. Entretanto sistemas eletromecânicos são complexos e podem apresentar comportamentos inesperados. A manutenção centrada na confiabilidade necessita de recursos tecnológicos cada vez mais rápidos, eficientes e robustos para garantir sua eficiência e eficácia. Técnicas de análise de efeitos e modos de falha (FMEA – Failure Mode Effect Analysis) em equipamentos são utilizadas para aumentar a confiabilidade dos sistemas de manutenção preventiva e preditiva. As redes neurais artificiais (RNA) são ferramentas computacionais que encontram aplicabilidade em diversos segmentos da pesquisa e análise de sinais, onde há necessidade do manuseio de grandes quantidades de dados, associando estatística e computação na otimização de processos dinâmicos e um alto grau de confiabilidade. São sistemas de inteligência artificial que têm capacidade de aprender, são robustas a falhas e podem apresentar resultados em tempo real. Este trabalho tem como objetivo a utilização de redes neurais artificiais para tratar sinais provenientes da monitoração de parâmetros tribológicos através do uso de uma bancada de testes para simular falhas de contato em um compressor de ar, a fim de criar um sistema de detecção e classificação de falhas automatizado, não supervisionado, com o uso de mapas auto-organizáveis, ou redes SOM (self organizaed maps), aplicado à manutenção preventiva e preditiva de processos eletromecânicos.