Técnica de diagnóstico de falhas em motores a combustão interna utilizando aprendizagem de máquina

• Autor(a) principal: Marinho, Edilson
• Data de Publicação: 2020
• Outros Autores: Pinto, Antonio, Formiga, Cleiton, Matamoros, Efrain Pantaleón, Figueroa-Hernández, Carlos, O´Farrill-Enrique, Sandra, Seabra, Eurico
• Tipo de documento: Artigo
• Idioma: por
• Título da fonte: Repositório Institucional da UFRN
• Texto Completo: https://repositorio.ufrn.br/jspui/handle/123456789/29796
• topic: Tribologia; motores a combustão interna; Aprendizagem de máquina; Big data; Redes Neurais Artificiais; Diagnóstico de falhas

O cenário industrial atual aponta o aumento da competitividade industrial, da complexidade de máquinas e equipamentos, dos custos de instalações industriais, produtos de alta demanda acrescido da preocupação com os aspectos de segurança industrial e do meio ambiente. Tal tendência induz as grandes indústrias globais a cada vez mais investirem em dispositivos, tecnologias e ferramentas estinadas a predição de falhas decorrentes de não conformidades e avarias em máquinas, equipamentos e instalações industriais. Diante desse cenário, o campo de atuação que trata da manutenção preditiva, análise de previsão e diagnóstico de falhas ganhou um lugar de destaque, além de diversos investimentos em pesquisa e desenvolvimento, principalmente com políticas voltadas a concepção da indústria 4.0. Com a abordagem da indústria 4.0 é possibilitada a análise de componentes mecânicos em regime dinâmico e resposta em tempo real, ou seja, sem a necessidade de parar a máquina, o que está diretamente relacionado a diminuição dos custos e tempo de produção. Dito isso, a presente tese tem por objetivo apresentar uma nova metodologia na detecção e monitoramento de falhas tribológicas em motores a combustão interna, por meio da aprendizagem de máquinas por métodos não supervisionados e big data, utilizando técnicas de processamento de sinais, dos dados coletados de vibração e nível de pressão sonora do motor, utilizando algoritmos baseados em redes neurais artificiais (RNA) e análise de clusters, criando um sistema inteligente capaz de detectar padrões de falhas, a partir das condições de falhas e variação de carga mecânica em motores a combustão interna ciclo Otto