SISTEMA DE APRENDIZADO DE MÁQUINA COMO APOIO AO MONITORAMENTO DE SAÚDE ESTRUTURAL

Detalhes bibliográficos
Autor(a) principal: Albino, Ana Carolina Ribeiro
Data de Publicação: 2022
Tipo de documento: Trabalho de conclusão de curso
Idioma: por
Título da fonte: Repositório Institucional da UFSC
Texto Completo: https://repositorio.ufsc.br/handle/123456789/242364
Resumo: TCC (graduação) - Universidade Federal de Santa Catarina, Campus Joinville, Engenharia Aeroespacial.
id UFSC_24ae1068ee9deeeabde9ca1e8a77d194
oai_identifier_str oai:repositorio.ufsc.br:123456789/242364
network_acronym_str UFSC
network_name_str Repositório Institucional da UFSC
repository_id_str 2373
spelling SISTEMA DE APRENDIZADO DE MÁQUINA COMO APOIO AO MONITORAMENTO DE SAÚDE ESTRUTURALManutenção de aeronavesAprendizado de máquinaMonitoramento da saúde estruturalCausa raizRede neuralTCC (graduação) - Universidade Federal de Santa Catarina, Campus Joinville, Engenharia Aeroespacial.A manutenção de aeronaves é uma atividade essencial para garantir o correto funcionamento de todos os sistemas que tornam sua operação possível. Desde o surgimento da aviação comercial, a checagem dos componentes é estruturada em intervalos dentro e fora de fase, que tem como base a data de entrada da aeronave em operação (T-0), tal planejamento tem gastos expressivos, que podem chegar a 15% do custo operacional (VIEIRA; LOURES, 2016), seu rígido controle não impede que componentes falhem e causem acidentes (SU; YE, 2009). O monitoramento da saúde estrutural (MSE) é uma vertente do condition based maintenance (CBM), que torna a manutenção embasada na mudança dos parâmetros físicos da estrutura e não por tempo de voo. A aplicação do MSE traz consigo potencial redução de custo de manutenção, podendo chegar a 30% (DONG; KIM, 2018), além de aumentar a confiabilidade dos sistemas. Ao considerar esse cenário potencial de evolução, o presente trabalho utiliza dados, de saúde estrutural, medidos pela universidade holandesa TuDelft, para criar um modelo de aprendizado de máquina (AP), por meio da criação de um multi layer perceptrion, e predizer o surgimento de falhas críticas, classificando a estrutura em saudável ou danificada. Devido à complexidade em analisar o padrão das séries temporais do experimento, o aprendizado de máquina, por meio de redes neurais de classificação, são uma opção para dar robustez ao processo. Por conta da localização espacial dos sensores é possível realizar a triangulação dos resultados, para localizar a falha e eliminar falsos positivos. A acurácia geral do código é de 90 %.Aircraft maintenance is an essential activity to ensure the safety of all systems, that make its operation possible. Since the begging of commercial aviation, it is structured at intervals, that can be in or out of phase, both have the maintenance start date (T-0) in common, which is related to when the aircraft has entered into service. This process has expressive costs, up to 15% of operational amount (VIEIRA; LOURES, 2016), this rigid control does not avoid accidents from happening (SU; YE, 2009). The structure health monitoring (SHM) is a variation of the condition based maintenance (CBM), both indicate the importance to do the maintenance whenever the structure has a change in its physical parameters. The SHM has a potential for cost reduction, up to 30% (DONG; KIM, 2018), and also increase system reliability. Considering this scenario, and its evolutionary potential, this project uses data of structural health, measured by the Dutch university, TuDelft, to create a machine learning model (ML), by a multi layer perceptron, and predict the beginning of critical fault, classifying the structure in healthy or damaged. Due to time series analysis, to identify a fault pattern, the classification neural network is a great alternative to give robustness for this process. Due to spatial location of sensors, it is possible to detach the location of the fault and reduce false positive results. The overall accuracy of the code is 90%.Joinville, SC.Berkenbrock, Gian RicardoSouza, Carlos Eduardo deUniversidade Federal de Santa Catarina.Albino, Ana Carolina Ribeiro2022-12-05T09:04:37Z2022-12-05T09:04:37Z2022-12-02info:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/bachelorThesis59 f.application/pdfhttps://repositorio.ufsc.br/handle/123456789/242364Open Access.info:eu-repo/semantics/openAccessporreponame:Repositório Institucional da UFSCinstname:Universidade Federal de Santa Catarina (UFSC)instacron:UFSC2022-12-05T09:04:37Zoai:repositorio.ufsc.br:123456789/242364Repositório InstitucionalPUBhttp://150.162.242.35/oai/requestopendoar:23732022-12-05T09:04:37Repositório Institucional da UFSC - Universidade Federal de Santa Catarina (UFSC)false
dc.title.none.fl_str_mv SISTEMA DE APRENDIZADO DE MÁQUINA COMO APOIO AO MONITORAMENTO DE SAÚDE ESTRUTURAL
title SISTEMA DE APRENDIZADO DE MÁQUINA COMO APOIO AO MONITORAMENTO DE SAÚDE ESTRUTURAL
spellingShingle SISTEMA DE APRENDIZADO DE MÁQUINA COMO APOIO AO MONITORAMENTO DE SAÚDE ESTRUTURAL
Albino, Ana Carolina Ribeiro
Manutenção de aeronaves
Aprendizado de máquina
Monitoramento da saúde estrutural
Causa raiz
Rede neural
title_short SISTEMA DE APRENDIZADO DE MÁQUINA COMO APOIO AO MONITORAMENTO DE SAÚDE ESTRUTURAL
title_full SISTEMA DE APRENDIZADO DE MÁQUINA COMO APOIO AO MONITORAMENTO DE SAÚDE ESTRUTURAL
title_fullStr SISTEMA DE APRENDIZADO DE MÁQUINA COMO APOIO AO MONITORAMENTO DE SAÚDE ESTRUTURAL
title_full_unstemmed SISTEMA DE APRENDIZADO DE MÁQUINA COMO APOIO AO MONITORAMENTO DE SAÚDE ESTRUTURAL
title_sort SISTEMA DE APRENDIZADO DE MÁQUINA COMO APOIO AO MONITORAMENTO DE SAÚDE ESTRUTURAL
author Albino, Ana Carolina Ribeiro
author_facet Albino, Ana Carolina Ribeiro
author_role author
dc.contributor.none.fl_str_mv Berkenbrock, Gian Ricardo
Souza, Carlos Eduardo de
Universidade Federal de Santa Catarina.
dc.contributor.author.fl_str_mv Albino, Ana Carolina Ribeiro
dc.subject.por.fl_str_mv Manutenção de aeronaves
Aprendizado de máquina
Monitoramento da saúde estrutural
Causa raiz
Rede neural
topic Manutenção de aeronaves
Aprendizado de máquina
Monitoramento da saúde estrutural
Causa raiz
Rede neural
description TCC (graduação) - Universidade Federal de Santa Catarina, Campus Joinville, Engenharia Aeroespacial.
publishDate 2022
dc.date.none.fl_str_mv 2022-12-05T09:04:37Z
2022-12-05T09:04:37Z
2022-12-02
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/123456789/242364
url https://repositorio.ufsc.br/handle/123456789/242364
dc.language.iso.fl_str_mv por
language por
dc.rights.driver.fl_str_mv Open Access.
info:eu-repo/semantics/openAccess
rights_invalid_str_mv Open Access.
eu_rights_str_mv openAccess
dc.format.none.fl_str_mv 59 f.
application/pdf
dc.publisher.none.fl_str_mv Joinville, SC.
publisher.none.fl_str_mv Joinville, 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
repository.name.fl_str_mv Repositório Institucional da UFSC - Universidade Federal de Santa Catarina (UFSC)
repository.mail.fl_str_mv
_version_ 1808652409017204736

Registros relacionados