Análise de transformações bidimensionais de sinais de vibração para classificação de defeitos e falhas em rolamentos usando Redes Neurais Convolucionais

Detalhes bibliográficos
Autor(a) principal: Borges, Vicente Knobel
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/123456789/248805
Resumo: TCC (graduação) - Universidade Federal de Santa Catarina, Centro Tecnológico, Engenharia de Controle e Automação.
id UFSC_87a0af05401fba3d58bb1b8b75ecede9
oai_identifier_str oai:repositorio.ufsc.br:123456789/248805
network_acronym_str UFSC
network_name_str Repositório Institucional da UFSC
repository_id_str 2373
spelling Análise de transformações bidimensionais de sinais de vibração para classificação de defeitos e falhas em rolamentos usando Redes Neurais ConvolucionaisAnalysis of two-dimensional transformations of vibration signals for classification of defects and failures in bearings using Convolutional Neural NetworksFalha de rolamento.Manutenção Preditiva.Aprendizado profundo.Bearing failure.Deep learning.TCC (graduação) - Universidade Federal de Santa Catarina, Centro Tecnológico, Engenharia de Controle e Automação.O avanço tecnológico dos sensores e a suas aplicações para identificar possíveis falhas em máquinas industriais tem transformado o setor da manutenção preventiva. O uso de sensores tem possibilitado a manutenção baseada em dados, o que significa que é possível monitorar o funcionamento dos ativos industriais. Este trabalho tem por objetivo desenvolver e validar modelos de Redes Neurais Convolucionais baseados nos dados de sensores, viabilizando o diagnóstico automatizado de defeitos em rolamentos. A metodologia de desenvolvimento CRISP-DM foi empregada como forma de apoio para o processo de desenvolvimento dos modelos. Uma nova metodologia de avaliação dos modelos em cima de um conjunto de dados amplamente utilizado em pesquisas na área foi implementada evitando problemas de vazamento, proporcionando uma maior diversidade ao conjunto de treino e permitindo uma maior robustez à mudança de domínio. Foi explorado o uso de diferentes representações visuais do sinal captado, que agregam informações como a frequência em um dado instante do tempo, transformando um objeto vetorial unidimensional em uma representação matricial bidimensional. A representação dos sinais por meio de cepstrogramas resultou em um desempenho de classificação significativamente superior ao atual estado da arte. Modelos explorados no decorrer desse trabalho podem habilitar gestores do setor da manutenção a tomar decisões mais acertadas com base no diagnóstico de possíveis falhas, permitindo uma gestão mais eficiente do chão de fábrica.The technological advancement of sensors and their applications for identifying potential failures in industrial machines has transformed the preventive maintenance sector. The use of sensors has enabled data-based maintenance, which means that it is possible to monitor the functioning of industrial assets. The objective of this work is to develop and validate Convolutional Neural Network models based on sensor data, enabling the automated diagnosis of defects in bearings. The CRISP-DM development methodology was employed as a support for the model development process. A new evaluation methodology for the models on a widely used dataset in research in the area was implemented, avoiding leakage issues, providing greater diversity to the training set, and allowing greater robustness to domain variation. The use of different visual representations of the captured signal, which aggregate information such as frequency at a given moment in time, transforming a one-dimensional vectorial object into a two-dimensional matrix representation, was explored. The representation of signals through cepstrograms resulted in significantly superior classification performance compared to the current state of the art. Models explored in this work can enable maintenance sector managers to make more accurate decisions based on the diagnosis of potential failures, allowing for more efficient factory floor management.Florianópolis, SC.Silva, DaniloUniversidade Federal de Santa Catarina.Borges, Vicente Knobel2023-07-13T18:56:37Z2023-07-13T18:56:37Z2023-07-11info:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/bachelorThesis63 f.application/pdfhttps://repositorio.ufsc.br/handle/123456789/248805Open Access.info:eu-repo/semantics/openAccessporreponame:Repositório Institucional da UFSCinstname:Universidade Federal de Santa Catarina (UFSC)instacron:UFSC2023-07-13T18:56:37Zoai:repositorio.ufsc.br:123456789/248805Repositório InstitucionalPUBhttp://150.162.242.35/oai/requestopendoar:23732023-07-13T18:56:37Repositório Institucional da UFSC - Universidade Federal de Santa Catarina (UFSC)false
dc.title.none.fl_str_mv Análise de transformações bidimensionais de sinais de vibração para classificação de defeitos e falhas em rolamentos usando Redes Neurais Convolucionais
Analysis of two-dimensional transformations of vibration signals for classification of defects and failures in bearings using Convolutional Neural Networks
title Análise de transformações bidimensionais de sinais de vibração para classificação de defeitos e falhas em rolamentos usando Redes Neurais Convolucionais
spellingShingle Análise de transformações bidimensionais de sinais de vibração para classificação de defeitos e falhas em rolamentos usando Redes Neurais Convolucionais
Borges, Vicente Knobel
Falha de rolamento.
Manutenção Preditiva.
Aprendizado profundo.
Bearing failure.
Deep learning.
title_short Análise de transformações bidimensionais de sinais de vibração para classificação de defeitos e falhas em rolamentos usando Redes Neurais Convolucionais
title_full Análise de transformações bidimensionais de sinais de vibração para classificação de defeitos e falhas em rolamentos usando Redes Neurais Convolucionais
title_fullStr Análise de transformações bidimensionais de sinais de vibração para classificação de defeitos e falhas em rolamentos usando Redes Neurais Convolucionais
title_full_unstemmed Análise de transformações bidimensionais de sinais de vibração para classificação de defeitos e falhas em rolamentos usando Redes Neurais Convolucionais
title_sort Análise de transformações bidimensionais de sinais de vibração para classificação de defeitos e falhas em rolamentos usando Redes Neurais Convolucionais
author Borges, Vicente Knobel
author_facet Borges, Vicente Knobel
author_role author
dc.contributor.none.fl_str_mv Silva, Danilo
Universidade Federal de Santa Catarina.
dc.contributor.author.fl_str_mv Borges, Vicente Knobel
dc.subject.por.fl_str_mv Falha de rolamento.
Manutenção Preditiva.
Aprendizado profundo.
Bearing failure.
Deep learning.
topic Falha de rolamento.
Manutenção Preditiva.
Aprendizado profundo.
Bearing failure.
Deep learning.
description TCC (graduação) - Universidade Federal de Santa Catarina, Centro Tecnológico, Engenharia de Controle e Automação.
publishDate 2023
dc.date.none.fl_str_mv 2023-07-13T18:56:37Z
2023-07-13T18:56:37Z
2023-07-11
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/123456789/248805
url https://repositorio.ufsc.br/handle/123456789/248805
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 63 f.
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_ 1808652392967700480

Registros relacionados