Classificação de falhas com o perfil mecânico de um analisador de eletrólitos utilizando redes neurais

Detalhes bibliográficos
Autor(a) principal: Ponte, Rômulo Martins
Data de Publicação: 2019
Tipo de documento: Trabalho de conclusão de curso
Idioma: por
Título da fonte: Repositório Institucional da UFRN
Texto Completo: https://repositorio.ufrn.br/handle/123456789/43064
Resumo: A prevenção de falhas em sistemas é um desafio para pesquisadores e profissionais da engenharia. Diversas técnicas para a minimização da perda relacionadas ao sistema foram desenvolvidas, utilizando a análise de sinais provenientes do sistema estudado podese chegar à descoberta de desgastes inesperados. Exemplos desses sinais é a vibração, pressão acústica, temperatura, partículas em óleos lubrificantes, entre outros. Sistemas eletromecânicos apresentam-se como um desafio a parte, com comportamentos inesperados, exigindo que sua manutenção seja baseada na confiabilidade de recursos tecnológicos, robustos e eficientes para garantir a sua eficiência e eficácia. Utilizando redes neurais artificiais (RNA) para as análises de sinais, empregadas em grandes quantidades de dados, podemos alcançar um grande grau de confiabilidade ao unirmos com estatística e computação na otimização de processos dinâmicos. Este trabalho procura aplicar e evidenciar a eficácia do método proposto por Cabral (2017) na detecção e classificação de falhas em sistemas eletromecânicos, especificamente um analisador de eletrólitos, utilizando redes neurais artificiais e segmentação de imagens no motor de passos o equipamento, com a simulação de falhas em uma bancada de testes.
id UFRN_ef0d3e2c09255034fce6ecfb75aa5f3a
oai_identifier_str oai:https://repositorio.ufrn.br:123456789/43064
network_acronym_str UFRN
network_name_str Repositório Institucional da UFRN
repository_id_str
spelling Ponte, Rômulo MartinsEfrain Pantaleón MatamorosCabral, Eric Lucas dos SantosCabral, Marco Antônio Leandro2019-06-27T12:44:43Z2021-10-05T16:02:19Z2019-06-27T12:44:43Z2021-10-05T16:02:19Z2019-06-2120170156066PONTE, Rômulo Martins. Classificação de falhas com o perfil mecânico de um analisador de eletrólitos utilizando redes neurais. 2019. 54f. Trabalho de Conclusão de Curso (Graduação em Engenharia Mecânica) - Centro de Tecnologia, Universidade Federal do Rio Grande do Norte, Natal, 2019.https://repositorio.ufrn.br/handle/123456789/43064A prevenção de falhas em sistemas é um desafio para pesquisadores e profissionais da engenharia. Diversas técnicas para a minimização da perda relacionadas ao sistema foram desenvolvidas, utilizando a análise de sinais provenientes do sistema estudado podese chegar à descoberta de desgastes inesperados. Exemplos desses sinais é a vibração, pressão acústica, temperatura, partículas em óleos lubrificantes, entre outros. Sistemas eletromecânicos apresentam-se como um desafio a parte, com comportamentos inesperados, exigindo que sua manutenção seja baseada na confiabilidade de recursos tecnológicos, robustos e eficientes para garantir a sua eficiência e eficácia. Utilizando redes neurais artificiais (RNA) para as análises de sinais, empregadas em grandes quantidades de dados, podemos alcançar um grande grau de confiabilidade ao unirmos com estatística e computação na otimização de processos dinâmicos. Este trabalho procura aplicar e evidenciar a eficácia do método proposto por Cabral (2017) na detecção e classificação de falhas em sistemas eletromecânicos, especificamente um analisador de eletrólitos, utilizando redes neurais artificiais e segmentação de imagens no motor de passos o equipamento, com a simulação de falhas em uma bancada de testes.Preventing system failures is a challenge for researchers and engineering professionals. Several techniques for the loss minimization related to the system were developed, using the analysis of signals from the studied system, it’s possible to arrive at the discovery of unexpected wear and tear. Examples of such signals are vibration, acoustic pressure, temperature, particulates in lubricating oils, and others. Electromechanical systems present themselves as a challenge apart, with unexpected behaviours, requiring that their maintenance is based on the reliability of technological resources, robust and efficient to guarantee their efficiency and effectiveness. Using artificial neural networks (ANNs) for signal analysis, used in large amounts of data we can achieve an excellent degree of reliability by joining with statistics and computation in the optimization of dynamic processes. This work tries to apply and to demonstrate the effectiveness of the method proposed by Cabral (2017) in the detection and classification of failures in electromechanical systems, specifically an electrolyte analyzer, using artificial neural networks with the simulation of failures in a test bench.Universidade Federal do Rio Grande do NorteUFRNBrasilEngenharia MecânicaAttribution-NonCommercial-NoDerivs 3.0 Brazilhttp://creativecommons.org/licenses/by-nc-nd/3.0/br/info:eu-repo/semantics/openAccessSistemas EletromecânicosManutençãoAnálise de SinaisRedes Neurais ArtificiaisMapas de KohonenClassificação de falhas com o perfil mecânico de um analisador de eletrólitos utilizando redes neuraisClassification of failures with the mechanical profile of an electrolyte analyzer using neural networksinfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/bachelorThesisporreponame:Repositório Institucional da UFRNinstname:Universidade Federal do Rio Grande do Norte (UFRN)instacron:UFRNORIGINALClassificaçãodefalhas_Ponte_2019.pdfClassificação de falhas com o perfil mecânico de um analisador de eletrólitos utilizando redes neuraisapplication/pdf2860466https://repositorio.ufrn.br/bitstream/123456789/43064/1/Classifica%c3%a7%c3%a3odefalhas_Ponte_2019.pdf7af48083a7840603bc0f26580b67cdfcMD51CC-LICENSElicense_rdfapplication/octet-stream811https://repositorio.ufrn.br/bitstream/123456789/43064/2/license_rdfe39d27027a6cc9cb039ad269a5db8e34MD52LICENSElicense.txttext/plain756https://repositorio.ufrn.br/bitstream/123456789/43064/3/license.txta80a9cda2756d355b388cc443c3d8a43MD53TEXTClassificaçãodefalhas_Ponte_2019.pdf.txtExtracted texttext/plain101341https://repositorio.ufrn.br/bitstream/123456789/43064/4/Classifica%c3%a7%c3%a3odefalhas_Ponte_2019.pdf.txt7140d82b599ea4419bbe4217e52b44a0MD54123456789/430642021-10-05 13:02:19.898oai:https://repositorio.ufrn.br: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ório de PublicaçõesPUBhttp://repositorio.ufrn.br/oai/opendoar:2021-10-05T16:02:19Repositório Institucional da UFRN - Universidade Federal do Rio Grande do Norte (UFRN)false
dc.title.pt_BR.fl_str_mv Classificação de falhas com o perfil mecânico de um analisador de eletrólitos utilizando redes neurais
dc.title.alternative.pt_BR.fl_str_mv Classification of failures with the mechanical profile of an electrolyte analyzer using neural networks
title Classificação de falhas com o perfil mecânico de um analisador de eletrólitos utilizando redes neurais
spellingShingle Classificação de falhas com o perfil mecânico de um analisador de eletrólitos utilizando redes neurais
Ponte, Rômulo Martins
Sistemas Eletromecânicos
Manutenção
Análise de Sinais
Redes Neurais Artificiais
Mapas de Kohonen
title_short Classificação de falhas com o perfil mecânico de um analisador de eletrólitos utilizando redes neurais
title_full Classificação de falhas com o perfil mecânico de um analisador de eletrólitos utilizando redes neurais
title_fullStr Classificação de falhas com o perfil mecânico de um analisador de eletrólitos utilizando redes neurais
title_full_unstemmed Classificação de falhas com o perfil mecânico de um analisador de eletrólitos utilizando redes neurais
title_sort Classificação de falhas com o perfil mecânico de um analisador de eletrólitos utilizando redes neurais
author Ponte, Rômulo Martins
author_facet Ponte, Rômulo Martins
author_role author
dc.contributor.referees1.none.fl_str_mv Cabral, Eric Lucas dos Santos
dc.contributor.author.fl_str_mv Ponte, Rômulo Martins
dc.contributor.advisor-co1.fl_str_mv Efrain Pantaleón Matamoros
dc.contributor.advisor1.fl_str_mv Cabral, Marco Antônio Leandro
contributor_str_mv Efrain Pantaleón Matamoros
Cabral, Marco Antônio Leandro
dc.subject.por.fl_str_mv Sistemas Eletromecânicos
Manutenção
Análise de Sinais
Redes Neurais Artificiais
Mapas de Kohonen
topic Sistemas Eletromecânicos
Manutenção
Análise de Sinais
Redes Neurais Artificiais
Mapas de Kohonen
description A prevenção de falhas em sistemas é um desafio para pesquisadores e profissionais da engenharia. Diversas técnicas para a minimização da perda relacionadas ao sistema foram desenvolvidas, utilizando a análise de sinais provenientes do sistema estudado podese chegar à descoberta de desgastes inesperados. Exemplos desses sinais é a vibração, pressão acústica, temperatura, partículas em óleos lubrificantes, entre outros. Sistemas eletromecânicos apresentam-se como um desafio a parte, com comportamentos inesperados, exigindo que sua manutenção seja baseada na confiabilidade de recursos tecnológicos, robustos e eficientes para garantir a sua eficiência e eficácia. Utilizando redes neurais artificiais (RNA) para as análises de sinais, empregadas em grandes quantidades de dados, podemos alcançar um grande grau de confiabilidade ao unirmos com estatística e computação na otimização de processos dinâmicos. Este trabalho procura aplicar e evidenciar a eficácia do método proposto por Cabral (2017) na detecção e classificação de falhas em sistemas eletromecânicos, especificamente um analisador de eletrólitos, utilizando redes neurais artificiais e segmentação de imagens no motor de passos o equipamento, com a simulação de falhas em uma bancada de testes.
publishDate 2019
dc.date.accessioned.fl_str_mv 2019-06-27T12:44:43Z
2021-10-05T16:02:19Z
dc.date.available.fl_str_mv 2019-06-27T12:44:43Z
2021-10-05T16:02:19Z
dc.date.issued.fl_str_mv 2019-06-21
dc.type.status.fl_str_mv info:eu-repo/semantics/publishedVersion
dc.type.driver.fl_str_mv info:eu-repo/semantics/bachelorThesis
format bachelorThesis
status_str publishedVersion
dc.identifier.pt_BR.fl_str_mv 20170156066
dc.identifier.citation.fl_str_mv PONTE, Rômulo Martins. Classificação de falhas com o perfil mecânico de um analisador de eletrólitos utilizando redes neurais. 2019. 54f. Trabalho de Conclusão de Curso (Graduação em Engenharia Mecânica) - Centro de Tecnologia, Universidade Federal do Rio Grande do Norte, Natal, 2019.
dc.identifier.uri.fl_str_mv https://repositorio.ufrn.br/handle/123456789/43064
identifier_str_mv 20170156066
PONTE, Rômulo Martins. Classificação de falhas com o perfil mecânico de um analisador de eletrólitos utilizando redes neurais. 2019. 54f. Trabalho de Conclusão de Curso (Graduação em Engenharia Mecânica) - Centro de Tecnologia, Universidade Federal do Rio Grande do Norte, Natal, 2019.
url https://repositorio.ufrn.br/handle/123456789/43064
dc.language.iso.fl_str_mv por
language por
dc.rights.driver.fl_str_mv Attribution-NonCommercial-NoDerivs 3.0 Brazil
http://creativecommons.org/licenses/by-nc-nd/3.0/br/
info:eu-repo/semantics/openAccess
rights_invalid_str_mv Attribution-NonCommercial-NoDerivs 3.0 Brazil
http://creativecommons.org/licenses/by-nc-nd/3.0/br/
eu_rights_str_mv openAccess
dc.publisher.none.fl_str_mv Universidade Federal do Rio Grande do Norte
dc.publisher.initials.fl_str_mv UFRN
dc.publisher.country.fl_str_mv Brasil
dc.publisher.department.fl_str_mv Engenharia Mecânica
publisher.none.fl_str_mv Universidade Federal do Rio Grande do Norte
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/123456789/43064/1/Classifica%c3%a7%c3%a3odefalhas_Ponte_2019.pdf
https://repositorio.ufrn.br/bitstream/123456789/43064/2/license_rdf
https://repositorio.ufrn.br/bitstream/123456789/43064/3/license.txt
https://repositorio.ufrn.br/bitstream/123456789/43064/4/Classifica%c3%a7%c3%a3odefalhas_Ponte_2019.pdf.txt
bitstream.checksum.fl_str_mv 7af48083a7840603bc0f26580b67cdfc
e39d27027a6cc9cb039ad269a5db8e34
a80a9cda2756d355b388cc443c3d8a43
7140d82b599ea4419bbe4217e52b44a0
bitstream.checksumAlgorithm.fl_str_mv MD5
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_ 1802117779648675840

Registros relacionados