Aplicação de autoencoders para redução de dimensionalidade em dados de vibração de compressores herméticos para refrigeração doméstica

Detalhes bibliográficos
Autor(a) principal: Rodriguez, Caio Henrique Roman
Data de Publicação: 2023
Tipo de documento: Trabalho de conclusão de curso
Idioma: por
Título da fonte: Repositório Institucional da UFSC
Texto Completo: https://repositorio.ufsc.br/handle/123456789/249031
Resumo: TCC (graduação) - Universidade Federal de Santa Catarina, Centro Tecnológico, Engenharia de Controle e Automação.
id UFSC_5633e08941f66056f9dbc30cf3e27708
oai_identifier_str oai:repositorio.ufsc.br:123456789/249031
network_acronym_str UFSC
network_name_str Repositório Institucional da UFSC
repository_id_str 2373
spelling Aplicação de autoencoders para redução de dimensionalidade em dados de vibração de compressores herméticos para refrigeração domésticaAprendizado de máquinaAutoencoderRedução de dimensionalidade de dadosAmaciamentoCompressores herméticos alternativosTCC (graduação) - Universidade Federal de Santa Catarina, Centro Tecnológico, Engenharia de Controle e Automação.Este projeto de conclusão de curso tem como objetivo desenvolver técnicas de aprendizado de máquina para reduzir a dimensionalidade de dados adquiridos em uma bancada experimental de ensaios de amaciamento em compressores herméticos alternativos. Os testes de amaciamento referem-se a procedimentos específicos que avaliam o desempenho dos compressores em operação. O principal objetivo deste trabalho é submeter como entrada do algoritmo as medições de vibração e avaliar a implementação de uma técnica que utiliza redes neurais, especificamente o autoencoder stacked, para detectar padrões nesses dados. Com o pré-processamento do dataset em bandas de potência, o autoencoder proposto utiliza os pesos obtidos no treinamento para identificar as features mais relevantes que possam evidenciar o processo de amaciamento. Essa escolha de características para compor o espaço latente pode permitir o mapeamento de perfis de funcionamento, contribuindo para a detecção e a previsão de falhas nesse tipo de equipamento. Ao identificar as faixas de frequência mais importantes associadas ao processo de amaciamento, a abordagem proposta pode fornecer ferramentas adicionais para análise em testes de desempenho de compressores. Explorar métodos de inteligência artificial para auxiliar na análise de dados pode otimizar o monitoramento operacional de equipamentos como compressores herméticos alternativos, possibilitando avanços tecnológicos que podem influenciar positivamente em durabilidade, desempenho energético e outros fatores que melhorem a qualidade desses dispositivos.The objective of this project is to develop machine learning techniques to reduce the dimensionality of the data acquired in a test rig for the running-in of hermetic reciprocating compressors. Running-in tests refer to specific procedures that are used to evaluate the performance of a compressor during its operation. The main objective of this undergraduate thesis is to use vibration measurements as input to the algorithm and to evaluate the implementation of a technique that uses neural networks, in particular the stacked autoencoder, to detect patterns in these data. By pre-processing the dataset into power bands, the proposed autoencoder uses the weights obtained in training to identify the most relevant features that may be indicative of the running-in process. This choice of features to compose the latent space may allow the mapping of operating profiles and thus contribute to the detection and prediction of failures in this type of equipment. By identifying key frequency ranges associated with this process, the proposed approach may provide additional indicators to regular compressor performance testing. Exploiting artificial intelligence methods to support data analysis can optimise operational monitoring of equipment such as hermetic reciprocating compressors, facilitating technological advances that can positively influence durability, performance, and other quality factors.Florianópolis, SC.Flesch, Rodolfo César CostaUniversidade Federal de Santa Catarina.Rodriguez, Caio Henrique Roman2023-07-20T14:40:33Z2023-07-20T14:40:33Z2023-07-10info:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/bachelorThesis81application/pdfhttps://repositorio.ufsc.br/handle/123456789/249031Open Access.info:eu-repo/semantics/openAccessporreponame:Repositório Institucional da UFSCinstname:Universidade Federal de Santa Catarina (UFSC)instacron:UFSC2023-07-20T14:40:33Zoai:repositorio.ufsc.br:123456789/249031Repositório InstitucionalPUBhttp://150.162.242.35/oai/requestopendoar:23732023-07-20T14:40:33Repositório Institucional da UFSC - Universidade Federal de Santa Catarina (UFSC)false
dc.title.none.fl_str_mv Aplicação de autoencoders para redução de dimensionalidade em dados de vibração de compressores herméticos para refrigeração doméstica
title Aplicação de autoencoders para redução de dimensionalidade em dados de vibração de compressores herméticos para refrigeração doméstica
spellingShingle Aplicação de autoencoders para redução de dimensionalidade em dados de vibração de compressores herméticos para refrigeração doméstica
Rodriguez, Caio Henrique Roman
Aprendizado de máquina
Autoencoder
Redução de dimensionalidade de dados
Amaciamento
Compressores herméticos alternativos
title_short Aplicação de autoencoders para redução de dimensionalidade em dados de vibração de compressores herméticos para refrigeração doméstica
title_full Aplicação de autoencoders para redução de dimensionalidade em dados de vibração de compressores herméticos para refrigeração doméstica
title_fullStr Aplicação de autoencoders para redução de dimensionalidade em dados de vibração de compressores herméticos para refrigeração doméstica
title_full_unstemmed Aplicação de autoencoders para redução de dimensionalidade em dados de vibração de compressores herméticos para refrigeração doméstica
title_sort Aplicação de autoencoders para redução de dimensionalidade em dados de vibração de compressores herméticos para refrigeração doméstica
author Rodriguez, Caio Henrique Roman
author_facet Rodriguez, Caio Henrique Roman
author_role author
dc.contributor.none.fl_str_mv Flesch, Rodolfo César Costa
Universidade Federal de Santa Catarina.
dc.contributor.author.fl_str_mv Rodriguez, Caio Henrique Roman
dc.subject.por.fl_str_mv Aprendizado de máquina
Autoencoder
Redução de dimensionalidade de dados
Amaciamento
Compressores herméticos alternativos
topic Aprendizado de máquina
Autoencoder
Redução de dimensionalidade de dados
Amaciamento
Compressores herméticos alternativos
description TCC (graduação) - Universidade Federal de Santa Catarina, Centro Tecnológico, Engenharia de Controle e Automação.
publishDate 2023
dc.date.none.fl_str_mv 2023-07-20T14:40:33Z
2023-07-20T14:40:33Z
2023-07-10
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/123456789/249031
url https://repositorio.ufsc.br/handle/123456789/249031
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 81
application/pdf
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
repository.name.fl_str_mv Repositório Institucional da UFSC - Universidade Federal de Santa Catarina (UFSC)
repository.mail.fl_str_mv
_version_ 1808652385627668480

Registros relacionados