Métodos de inteligência artificial para diagnóstico de defeitos em máquinas rotativas
Autor(a) principal: | |
---|---|
Data de Publicação: | 2018 |
Tipo de documento: | Trabalho de conclusão de curso |
Idioma: | por |
Título da fonte: | Repositório Institucional da UFSC |
Texto Completo: | https://repositorio.ufsc.br/handle/123456789/191755 |
Resumo: | TCC (graduação) - Universidade Federal de Santa Catarina. Centro Tecnológico. Engenharia Elétrica. |
id |
UFSC_185790148bb767838ff49d7d3b1e68b3 |
---|---|
oai_identifier_str |
oai:repositorio.ufsc.br:123456789/191755 |
network_acronym_str |
UFSC |
network_name_str |
Repositório Institucional da UFSC |
repository_id_str |
2373 |
spelling |
Universidade Federal de Santa CatarinaSilva, Mateus Cichelero daCosta, Márcio HolsbachMourão, Gustavo Leão2018-12-03T17:04:23Z2018-12-03T17:04:23Z2018-11-30https://repositorio.ufsc.br/handle/123456789/191755TCC (graduação) - Universidade Federal de Santa Catarina. Centro Tecnológico. Engenharia Elétrica.Neste trabalho são apresentados conceitos, técnicas e padrões utilizados na área de manutenção preditiva de máquinas rotativas elétricas, mais precisamente na aplicação de métodos de inteligência artificial para diagnóstico de defeitos mecânicos através da análise de sinais de vibração. Um cenário de experimentos foi configurado através da utilização da base de dados de defeitos mecânicos MAFAULDA, que conta com seis condições distintas de saúde de máquinas rotativas elétricas. Estes dados são tratados por meio de técnicas de pré-processamento para extração de um vetor de características, utilizado como entrada para cinco métodos distintos de classificação: k-nearest neighbors (k-NN), Naive Bayes, Support Vector Machine (SVM), Regressão Logística e Redes Neurais Artificiais. São definidas métricas de desempenho para comparação dos métodos analisados, como a acurácia e sensibilidade. Por fim, testes estatísticos de hipótese são aplicados para confirmar a distinção de desempenho dos classificadores e um ranking é definido.This work presents concepts, techniques and standards used in the field of predictive maintenance of electric machines, more precisely in the application of artificial intelligence methods for the diagnosis of mechanical defects through the analysis of vibration signals. An experimental scenario was set up using the MAFAULDA mechanical fault database, which has six distinct machine health conditions. These data are treated by preprocessing techniques to obtain a vector of characteristics, to be used as input for five distinct classification methods: k-nearest neighbors (k-NN), Naive Bayes, Support Vector Machine (SVM), Logistic Regression, and Artificial Neural Networks. Performance metrics are applied for comparison of the analyzed methods , such as accuracy and sensitivity. Finally, statistical tests of hypothesis are applied to confirm the distinction of performance of the classifiers, and a ranking is defined.94 f.Florianópolis, SCManutenção PreditivaMachine LearningInteligência ArtificialMétodos de inteligência artificial para diagnóstico de defeitos em máquinas rotativasinfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/bachelorThesisporreponame:Repositório Institucional da UFSCinstname:Universidade Federal de Santa Catarina (UFSC)instacron:UFSCinfo:eu-repo/semantics/openAccessLICENSElicense.txtlicense.txttext/plain; charset=utf-81383https://repositorio.ufsc.br/bitstream/123456789/191755/2/license.txt11ee89cd31d893362820eab7c4d46734MD52ORIGINALTCC_MateusCichelero.pdfTCC_MateusCichelero.pdfapplication/pdf2610676https://repositorio.ufsc.br/bitstream/123456789/191755/1/TCC_MateusCichelero.pdf7512b6025603ad613795fb5b4fc71fb0MD51123456789/1917552018-12-03 15:04:24.212oai:repositorio.ufsc.br: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ório de PublicaçõesPUBhttp://150.162.242.35/oai/requestopendoar:23732018-12-03T17:04:24Repositório Institucional da UFSC - Universidade Federal de Santa Catarina (UFSC)false |
dc.title.pt_BR.fl_str_mv |
Métodos de inteligência artificial para diagnóstico de defeitos em máquinas rotativas |
title |
Métodos de inteligência artificial para diagnóstico de defeitos em máquinas rotativas |
spellingShingle |
Métodos de inteligência artificial para diagnóstico de defeitos em máquinas rotativas Silva, Mateus Cichelero da Manutenção Preditiva Machine Learning Inteligência Artificial |
title_short |
Métodos de inteligência artificial para diagnóstico de defeitos em máquinas rotativas |
title_full |
Métodos de inteligência artificial para diagnóstico de defeitos em máquinas rotativas |
title_fullStr |
Métodos de inteligência artificial para diagnóstico de defeitos em máquinas rotativas |
title_full_unstemmed |
Métodos de inteligência artificial para diagnóstico de defeitos em máquinas rotativas |
title_sort |
Métodos de inteligência artificial para diagnóstico de defeitos em máquinas rotativas |
author |
Silva, Mateus Cichelero da |
author_facet |
Silva, Mateus Cichelero da |
author_role |
author |
dc.contributor.pt_BR.fl_str_mv |
Universidade Federal de Santa Catarina |
dc.contributor.author.fl_str_mv |
Silva, Mateus Cichelero da |
dc.contributor.advisor1.fl_str_mv |
Costa, Márcio Holsbach |
dc.contributor.advisor-co1.fl_str_mv |
Mourão, Gustavo Leão |
contributor_str_mv |
Costa, Márcio Holsbach Mourão, Gustavo Leão |
dc.subject.por.fl_str_mv |
Manutenção Preditiva Machine Learning Inteligência Artificial |
topic |
Manutenção Preditiva Machine Learning Inteligência Artificial |
description |
TCC (graduação) - Universidade Federal de Santa Catarina. Centro Tecnológico. Engenharia Elétrica. |
publishDate |
2018 |
dc.date.accessioned.fl_str_mv |
2018-12-03T17:04:23Z |
dc.date.available.fl_str_mv |
2018-12-03T17:04:23Z |
dc.date.issued.fl_str_mv |
2018-11-30 |
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.uri.fl_str_mv |
https://repositorio.ufsc.br/handle/123456789/191755 |
url |
https://repositorio.ufsc.br/handle/123456789/191755 |
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.format.none.fl_str_mv |
94 f. |
dc.publisher.none.fl_str_mv |
Florianópolis, SC |
publisher.none.fl_str_mv |
Florianópolis, SC |
dc.source.none.fl_str_mv |
reponame:Repositório Institucional da UFSC instname:Universidade Federal de Santa Catarina (UFSC) instacron:UFSC |
instname_str |
Universidade Federal de Santa Catarina (UFSC) |
instacron_str |
UFSC |
institution |
UFSC |
reponame_str |
Repositório Institucional da UFSC |
collection |
Repositório Institucional da UFSC |
bitstream.url.fl_str_mv |
https://repositorio.ufsc.br/bitstream/123456789/191755/2/license.txt https://repositorio.ufsc.br/bitstream/123456789/191755/1/TCC_MateusCichelero.pdf |
bitstream.checksum.fl_str_mv |
11ee89cd31d893362820eab7c4d46734 7512b6025603ad613795fb5b4fc71fb0 |
bitstream.checksumAlgorithm.fl_str_mv |
MD5 MD5 |
repository.name.fl_str_mv |
Repositório Institucional da UFSC - Universidade Federal de Santa Catarina (UFSC) |
repository.mail.fl_str_mv |
|
_version_ |
1766805423522840576 |