Classificação de falhas com o perfil mecânico de um analisador de eletrólitos utilizando redes neurais
Autor(a) principal: | |
---|---|
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 |