Classificação automatizada de falhas tribológicas de sistemas alternativos com o uso de redes neurais artificiais não supervisionadas
Autor(a) principal: | |
---|---|
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 |
Resumo: | 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. |
id |
UFRN_25f196c8739a03442ce84d4dc88f294a |
---|---|
oai_identifier_str |
oai:https://repositorio.ufrn.br:123456789/22518 |
network_acronym_str |
UFRN |
network_name_str |
Repositório Institucional da UFRN |
repository_id_str |
|
spelling |
Cabral, Marco Antonio Leandrohttp://lattes.cnpq.br/5534453101318814http://lattes.cnpq.br/5336356193599447Costa, José Alfredo Ferreirahttp://lattes.cnpq.br/9745845064013172Viana, Herbert Ricardo Garciahttp://lattes.cnpq.br/4617469809005234Silva, João Bosco dahttp://lattes.cnpq.br/3305848313356239Paiva, José Alvaro dehttp://lattes.cnpq.br/6136888701626547Morais, Antonio Higor Freire dehttp://lattes.cnpq.br/7568055799308361Oliveira, Adelci Menezes dehttp://lattes.cnpq.br/7673440916658787Matamoros, Efrain Pantaleon2017-03-29T19:12:55Z2017-03-29T19:12:55Z2017-01-17CABRAL, Marco Antonio Leandro. Classificação automatizada de falhas tribológicas de sistemas alternativos com o uso de redes neurais artificiais não supervisionadas. 2017. 140f. Tese (Doutorado em Engenharia Mecânica) - Centro de Tecnologia, Universidade Federal do Rio Grande do Norte, Natal, 2017.https://repositorio.ufrn.br/jspui/handle/123456789/22518Prevenir, 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.Preventing, anticipating, avoiding failures in electromechanical systems are demands that have challenged researchers and engineering professionals for decades. Electromechanical systems present tribological processes that result in fatigue of materials and consequent loss of efficiency or even usefulness of machines and equipment. Several techniques are used in an attempt to minimize the inherent losses of these systems through the analysis of signals from the equipment studied and the consequences of these wastes at unexpected moments, such as an aircraft in flight or a drilling rig in an oil well. Among them we can mention vibration analysis, acoustic pressure measurement, temperature monitoring, particle analysis of lubricating oil etc. However, electromechanical systems are complex and may exhibit unexpected behavior. Reliability-centric maintenance requires ever faster, more efficient and robust technological resources to ensure its efficiency and effectiveness. Failure Mode Effect Analysis (FMEA) techniques in equipment are used to increase the reliability of preventive and predictive maintenance system. Artificial neural networks (ANNs) are computational tools that find applicability in several segments of the research and signal analysis, where it is necessary to handle large amounts of data, associating statistics and computation in the optimization of dynamic processes and a high degree of reliability. They are artificial intelligence systems that have the ability to learn, are robust to failures, and can deliver realtime results. This work aims at the use of artificial neural networks to treat signals from the monitoring of tribological parameters through the use of a test bench to simulate contact failures in an air compressor in order to create an automated fault detection and classification system, unsupervised, with the use of self-organized maps, or SOM, applied to the preventive and predictive maintenance of electromechanical processes.porCNPQ::ENGENHARIAS::ENGENHARIA MECANICATribologiaDesgasteSistemas eletromecânicosManutençãoAnálise de sinaisRedes neurais artificiaisMapas de KohonenSegmentação de imagensFMEAConfiabilidadeClassificação automatizada de falhas tribológicas de sistemas alternativos com o uso de redes neurais artificiais não supervisionadasinfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/doctoralThesisPROGRAMA DE PÓS-GRADUAÇÃO EM ENGENHARIA MECÂNICAUFRNBrasilinfo:eu-repo/semantics/openAccessreponame:Repositório Institucional da UFRNinstname:Universidade Federal do Rio Grande do Norte (UFRN)instacron:UFRNORIGINALMarcoAntonioLeandroCabral_TESE.pdfMarcoAntonioLeandroCabral_TESE.pdfapplication/pdf13588959https://repositorio.ufrn.br/bitstream/123456789/22518/1/MarcoAntonioLeandroCabral_TESE.pdfe495bfc5ac3b13d91c1872127ea9540bMD51TEXTMarcoAntonioLeandroCabral_TESE.pdf.txtMarcoAntonioLeandroCabral_TESE.pdf.txtExtracted texttext/plain220350https://repositorio.ufrn.br/bitstream/123456789/22518/4/MarcoAntonioLeandroCabral_TESE.pdf.txt43be219b8a24c481fec04849e290316bMD54THUMBNAILMarcoAntonioLeandroCabral_TESE.pdf.jpgMarcoAntonioLeandroCabral_TESE.pdf.jpgIM Thumbnailimage/jpeg3042https://repositorio.ufrn.br/bitstream/123456789/22518/5/MarcoAntonioLeandroCabral_TESE.pdf.jpg007bb462acd1c1de0f0632576d56bd49MD55123456789/225182017-11-03 05:11:27.531oai:https://repositorio.ufrn.br:123456789/22518Repositório de PublicaçõesPUBhttp://repositorio.ufrn.br/oai/opendoar:2017-11-03T08:11:27Repositório Institucional da UFRN - Universidade Federal do Rio Grande do Norte (UFRN)false |
dc.title.pt_BR.fl_str_mv |
Classificação automatizada de falhas tribológicas de sistemas alternativos com o uso de redes neurais artificiais não supervisionadas |
title |
Classificação automatizada de falhas tribológicas de sistemas alternativos com o uso de redes neurais artificiais não supervisionadas |
spellingShingle |
Classificação automatizada de falhas tribológicas de sistemas alternativos com o uso de redes neurais artificiais não supervisionadas Cabral, Marco Antonio Leandro CNPQ::ENGENHARIAS::ENGENHARIA MECANICA Tribologia Desgaste Sistemas eletromecânicos Manutenção Análise de sinais Redes neurais artificiais Mapas de Kohonen Segmentação de imagens FMEA Confiabilidade |
title_short |
Classificação automatizada de falhas tribológicas de sistemas alternativos com o uso de redes neurais artificiais não supervisionadas |
title_full |
Classificação automatizada de falhas tribológicas de sistemas alternativos com o uso de redes neurais artificiais não supervisionadas |
title_fullStr |
Classificação automatizada de falhas tribológicas de sistemas alternativos com o uso de redes neurais artificiais não supervisionadas |
title_full_unstemmed |
Classificação automatizada de falhas tribológicas de sistemas alternativos com o uso de redes neurais artificiais não supervisionadas |
title_sort |
Classificação automatizada de falhas tribológicas de sistemas alternativos com o uso de redes neurais artificiais não supervisionadas |
author |
Cabral, Marco Antonio Leandro |
author_facet |
Cabral, Marco Antonio Leandro |
author_role |
author |
dc.contributor.authorID.pt_BR.fl_str_mv |
|
dc.contributor.authorLattes.none.fl_str_mv |
http://lattes.cnpq.br/5534453101318814 |
dc.contributor.advisorID.pt_BR.fl_str_mv |
|
dc.contributor.advisorLattes.none.fl_str_mv |
http://lattes.cnpq.br/5336356193599447 |
dc.contributor.advisor-co1ID.pt_BR.fl_str_mv |
|
dc.contributor.referees1.none.fl_str_mv |
Viana, Herbert Ricardo Garcia |
dc.contributor.referees1ID.pt_BR.fl_str_mv |
|
dc.contributor.referees1Lattes.none.fl_str_mv |
http://lattes.cnpq.br/4617469809005234 |
dc.contributor.referees2.none.fl_str_mv |
Silva, João Bosco da |
dc.contributor.referees2ID.pt_BR.fl_str_mv |
|
dc.contributor.referees2Lattes.none.fl_str_mv |
http://lattes.cnpq.br/3305848313356239 |
dc.contributor.referees3.none.fl_str_mv |
Paiva, José Alvaro de |
dc.contributor.referees3ID.pt_BR.fl_str_mv |
|
dc.contributor.referees3Lattes.none.fl_str_mv |
http://lattes.cnpq.br/6136888701626547 |
dc.contributor.referees4.none.fl_str_mv |
Morais, Antonio Higor Freire de |
dc.contributor.referees4ID.pt_BR.fl_str_mv |
|
dc.contributor.referees4Lattes.none.fl_str_mv |
http://lattes.cnpq.br/7568055799308361 |
dc.contributor.referees5.none.fl_str_mv |
Oliveira, Adelci Menezes de |
dc.contributor.referees5ID.pt_BR.fl_str_mv |
|
dc.contributor.referees5Lattes.none.fl_str_mv |
http://lattes.cnpq.br/7673440916658787 |
dc.contributor.author.fl_str_mv |
Cabral, Marco Antonio Leandro |
dc.contributor.advisor-co1.fl_str_mv |
Costa, José Alfredo Ferreira |
dc.contributor.advisor-co1Lattes.fl_str_mv |
http://lattes.cnpq.br/9745845064013172 |
dc.contributor.advisor1.fl_str_mv |
Matamoros, Efrain Pantaleon |
contributor_str_mv |
Costa, José Alfredo Ferreira Matamoros, Efrain Pantaleon |
dc.subject.cnpq.fl_str_mv |
CNPQ::ENGENHARIAS::ENGENHARIA MECANICA |
topic |
CNPQ::ENGENHARIAS::ENGENHARIA MECANICA Tribologia Desgaste Sistemas eletromecânicos Manutenção Análise de sinais Redes neurais artificiais Mapas de Kohonen Segmentação de imagens FMEA Confiabilidade |
dc.subject.por.fl_str_mv |
Tribologia Desgaste Sistemas eletromecânicos Manutenção Análise de sinais Redes neurais artificiais Mapas de Kohonen Segmentação de imagens FMEA Confiabilidade |
description |
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. |
publishDate |
2017 |
dc.date.accessioned.fl_str_mv |
2017-03-29T19:12:55Z |
dc.date.available.fl_str_mv |
2017-03-29T19:12:55Z |
dc.date.issued.fl_str_mv |
2017-01-17 |
dc.type.status.fl_str_mv |
info:eu-repo/semantics/publishedVersion |
dc.type.driver.fl_str_mv |
info:eu-repo/semantics/doctoralThesis |
format |
doctoralThesis |
status_str |
publishedVersion |
dc.identifier.citation.fl_str_mv |
CABRAL, Marco Antonio Leandro. Classificação automatizada de falhas tribológicas de sistemas alternativos com o uso de redes neurais artificiais não supervisionadas. 2017. 140f. Tese (Doutorado em Engenharia Mecânica) - Centro de Tecnologia, Universidade Federal do Rio Grande do Norte, Natal, 2017. |
dc.identifier.uri.fl_str_mv |
https://repositorio.ufrn.br/jspui/handle/123456789/22518 |
identifier_str_mv |
CABRAL, Marco Antonio Leandro. Classificação automatizada de falhas tribológicas de sistemas alternativos com o uso de redes neurais artificiais não supervisionadas. 2017. 140f. Tese (Doutorado em Engenharia Mecânica) - Centro de Tecnologia, Universidade Federal do Rio Grande do Norte, Natal, 2017. |
url |
https://repositorio.ufrn.br/jspui/handle/123456789/22518 |
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.program.fl_str_mv |
PROGRAMA DE PÓS-GRADUAÇÃO EM ENGENHARIA MECÂNICA |
dc.publisher.initials.fl_str_mv |
UFRN |
dc.publisher.country.fl_str_mv |
Brasil |
dc.source.none.fl_str_mv |
reponame:Repositório Institucional da UFRN instname:Universidade Federal do Rio Grande do Norte (UFRN) instacron:UFRN |
instname_str |
Universidade Federal do Rio Grande do Norte (UFRN) |
instacron_str |
UFRN |
institution |
UFRN |
reponame_str |
Repositório Institucional da UFRN |
collection |
Repositório Institucional da UFRN |
bitstream.url.fl_str_mv |
https://repositorio.ufrn.br/bitstream/123456789/22518/1/MarcoAntonioLeandroCabral_TESE.pdf https://repositorio.ufrn.br/bitstream/123456789/22518/4/MarcoAntonioLeandroCabral_TESE.pdf.txt https://repositorio.ufrn.br/bitstream/123456789/22518/5/MarcoAntonioLeandroCabral_TESE.pdf.jpg |
bitstream.checksum.fl_str_mv |
e495bfc5ac3b13d91c1872127ea9540b 43be219b8a24c481fec04849e290316b 007bb462acd1c1de0f0632576d56bd49 |
bitstream.checksumAlgorithm.fl_str_mv |
MD5 MD5 MD5 |
repository.name.fl_str_mv |
Repositório Institucional da UFRN - Universidade Federal do Rio Grande do Norte (UFRN) |
repository.mail.fl_str_mv |
|
_version_ |
1802117558227173376 |