Detecção e classificação de padrões sonoros utilizando inteligência artificial

Detalhes bibliográficos
Autor(a) principal: Silva, Lúcia Corrêa da
Data de Publicação: 2022
Tipo de documento: Dissertação
Idioma: por
Título da fonte: Repositório Institucional da UFSC
Texto Completo: https://repositorio.ufsc.br/handle/123456789/235137
Resumo: Dissertação (mestrado) - Universidade Federal de Santa Catarina, Centro Tecnológico, Programa de Pós-Graduação em Engenharia Mecânica, Florianópolis, 2022.
id UFSC_486dbf9e86193433f6323179d5020106
oai_identifier_str oai:repositorio.ufsc.br:123456789/235137
network_acronym_str UFSC
network_name_str Repositório Institucional da UFSC
repository_id_str 2373
spelling Universidade Federal de Santa CatarinaSilva, Lúcia Corrêa daLenzi, Arcanjo2022-05-25T23:15:38Z2022-05-25T23:15:38Z2022376114https://repositorio.ufsc.br/handle/123456789/235137Dissertação (mestrado) - Universidade Federal de Santa Catarina, Centro Tecnológico, Programa de Pós-Graduação em Engenharia Mecânica, Florianópolis, 2022.Alguns compressores podem gerar variações atípicas de ruído que gera incômodo. Este trabalho tem por objetivo detectar e classificar os seguintes padrões do compressor: gotejamento (dripping noise), batida do kit na carcaça do dispositivo (knock noise) e de operação estacionária. Para isso, foram treinadas redes de inteligência artificial que automatizam o processo de categorização e verificou-se o desempenho delas. Dentre as redes escolhidas para estudo estão a convolucional (CNN) e a recorrentes (RNN), mais especificamente, a de memória de curto e longo prazo (LSTM); os métodos de extração de recursos aplicados foram: Espectro Cromático, Contraste Espectral, Espectrograma em Escala de Mel, Mel- Frequency Cepstral Coefficientse a Centróide Tonal. Além da comparação de atuação das redes de aprendizado profundo, foi estipulado a quantidade mínima de amostras necessárias e a relação de energia sonora entre os fenômenos, de formar que ainda seja possível diferenciar corretamente os padrões. Essas aferições foram realizadas tanto para 3 classes (dripping, knock e operação estacionária), como também com 2 (dripping e knock). Nessa última, as medições de pressão sonora do compressor em funcionamento (sinal estacionário) foram contaminadas com os padrões de dripping e knock para aferir o desempenho da rede a uma situação mais próxima da real, onde os sinais ocorrem em simultâneo. Concluiu-se que, para esses sinais, a rede CNN obteve a melhor performance. Foi possível otimizar o sistema para utilizar 16 amostras de cada fenômeno, sendo necessária uma relação sinal ruído de no máximo 20 dB. Além disso, é possível afirmar que a rede treinada com dados de Contraste Espectral apresentou um aprendizado maior, e quando aplicado conjunto com o Espectrograma em Escala de Mel ou com MFCCs criou modelos com acuraria superior a 90%.Abstract: Some sound patterns emitted by hermetic compressors can generate operating variations and noise nuisance. This work aims to detect and classify the following compressor patterns: dripping (dripping noise), knocking off the kit on the device housing (knock noise), and stationary operation. For this, artificial intelligence networks that automate the categorization process were trained, and their performance was verified. Among the networks chosen for study are the convolutional (CNN) and the recurrent an (RNN) of short- and long-term memory (LSTM); the resource extraction methods applied were: Chromatic Spectrum, Spectral Contrast, Mel Scale Spectrogram, MFCCs (Mel-Frequency Cepstral Coefficients) and Tonal Centroid. In addition to comparing the performance of deep learning networks, the minimum number of necessary samples and the sound energy ratio between the phenomena were stipulated, so that it is still possible to correctly differentiate the patterns. These measurements were performed both for 3 classes (dripping, knock, and stationary operation), as well as for 2 (dripping and knock). In the latter, the sound pressure measurements of the compressor in operation (stationary signal) were contaminated with dripping and knock patterns to assess the network performance to a situation closer to the real one, where the signals occur simultaneously. It was concluded that, for these signals, the CNN network had the best performance. It was possible to optimize the system to use 16 samples of each phenomenon, requiring a signal-to-noise ratio of at most 20 dB. Furthermore, it is possible to affirm that the network trained with Spectral Contrast data showed a greater learning experience, and when applied together with the Mel Scale Spectrogram or with MFCCs, it created models with an accuracy greater than 90%.146 p.| il., gráfs.porEngenharia mecânicaInteligência artificialRedes neurais (Computação)Aprendizado do computadorCompressoresDetecção e classificação de padrões sonoros utilizando inteligência artificialinfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisreponame:Repositório Institucional da UFSCinstname:Universidade Federal de Santa Catarina (UFSC)instacron:UFSCinfo:eu-repo/semantics/openAccessORIGINALPEMC2224-D.pdfPEMC2224-D.pdfapplication/pdf12701673https://repositorio.ufsc.br/bitstream/123456789/235137/-1/PEMC2224-D.pdfeb18c2eecfd14b573be3d4fdb78c9a9dMD5-1123456789/2351372022-05-25 20:15:38.914oai:repositorio.ufsc.br:123456789/235137Repositório de PublicaçõesPUBhttp://150.162.242.35/oai/requestopendoar:23732022-05-25T23:15:38Repositório Institucional da UFSC - Universidade Federal de Santa Catarina (UFSC)false
dc.title.none.fl_str_mv Detecção e classificação de padrões sonoros utilizando inteligência artificial
title Detecção e classificação de padrões sonoros utilizando inteligência artificial
spellingShingle Detecção e classificação de padrões sonoros utilizando inteligência artificial
Silva, Lúcia Corrêa da
Engenharia mecânica
Inteligência artificial
Redes neurais (Computação)
Aprendizado do computador
Compressores
title_short Detecção e classificação de padrões sonoros utilizando inteligência artificial
title_full Detecção e classificação de padrões sonoros utilizando inteligência artificial
title_fullStr Detecção e classificação de padrões sonoros utilizando inteligência artificial
title_full_unstemmed Detecção e classificação de padrões sonoros utilizando inteligência artificial
title_sort Detecção e classificação de padrões sonoros utilizando inteligência artificial
author Silva, Lúcia Corrêa da
author_facet Silva, Lúcia Corrêa da
author_role author
dc.contributor.none.fl_str_mv Universidade Federal de Santa Catarina
dc.contributor.author.fl_str_mv Silva, Lúcia Corrêa da
dc.contributor.advisor1.fl_str_mv Lenzi, Arcanjo
contributor_str_mv Lenzi, Arcanjo
dc.subject.classification.none.fl_str_mv Engenharia mecânica
Inteligência artificial
Redes neurais (Computação)
Aprendizado do computador
Compressores
topic Engenharia mecânica
Inteligência artificial
Redes neurais (Computação)
Aprendizado do computador
Compressores
description Dissertação (mestrado) - Universidade Federal de Santa Catarina, Centro Tecnológico, Programa de Pós-Graduação em Engenharia Mecânica, Florianópolis, 2022.
publishDate 2022
dc.date.accessioned.fl_str_mv 2022-05-25T23:15:38Z
dc.date.available.fl_str_mv 2022-05-25T23:15:38Z
dc.date.issued.fl_str_mv 2022
dc.type.status.fl_str_mv info:eu-repo/semantics/publishedVersion
dc.type.driver.fl_str_mv info:eu-repo/semantics/masterThesis
format masterThesis
status_str publishedVersion
dc.identifier.uri.fl_str_mv https://repositorio.ufsc.br/handle/123456789/235137
dc.identifier.other.none.fl_str_mv 376114
identifier_str_mv 376114
url https://repositorio.ufsc.br/handle/123456789/235137
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 146 p.| il., gráfs.
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/123456789/235137/-1/PEMC2224-D.pdf
bitstream.checksum.fl_str_mv eb18c2eecfd14b573be3d4fdb78c9a9d
bitstream.checksumAlgorithm.fl_str_mv MD5
repository.name.fl_str_mv Repositório Institucional da UFSC - Universidade Federal de Santa Catarina (UFSC)
repository.mail.fl_str_mv
_version_ 1766805141718040576

Registros relacionados