Emprego de técnicas de aprendizado de máquina para o monitoramento de sistemas rotativos via análise modal operacional

Detalhes bibliográficos
Autor(a) principal: Dreher, Nathali Rolon, 1997-
Data de Publicação: 2022
Tipo de documento: Dissertação
Idioma: por
Título da fonte: Biblioteca Digital de Teses e Dissertações da Universidade Estadual de Campinas (UNICAMP)
Texto Completo: https://hdl.handle.net/20.500.12733/4057
Resumo: Orientador: Tiago Henrique Machado
id UNICAMP-30_e027ce7b7f1cc0d0daaf36d2017af400
oai_identifier_str oai::1242006
network_acronym_str UNICAMP-30
network_name_str Biblioteca Digital de Teses e Dissertações da Universidade Estadual de Campinas (UNICAMP)
repository_id_str
spelling Emprego de técnicas de aprendizado de máquina para o monitoramento de sistemas rotativos via análise modal operacionalMachine learning techniques for the monitoring of rotating systems via operational modal analysisRotoresAnálise modalAprendizado de máquinaRotorsModal analysisMachine learningOrientador: Tiago Henrique MachadoDissertação (mestrado) - Universidade Estadual de Campinas, Faculdade de Engenharia MecânicaResumo: Este trabalho apresenta um estudo geral sobre a aplicabilidade de métodos de aprendizado de máquina não supervisionado combinados a métodos da Análise Modal Operacional (OMA) no Monitoramento da Saúde Estrutural (SHM) de máquinas rotativas. Para alcançar tal objetivo, os dados de um sistema rotativo suportado por mancais hidrodinâmicos, coletados sob diferentes condições de teste, foram empregados. Os métodos Decomposição no Domínio da Frequência (FDD) e Identificação de Subespaço Estocástico (SSI) foram implementados a fim de extrair os parâmetros modais do sistema rotativo a partir dos dados experimentais. O método de aprendizado não supervisionado chamado Clusterização Hierárquica foi utilizado em um algoritmo que realiza a interpretação automática do diagrama de estabilização obtido a partir do método SSI. Os resultados obtidos a partir do algoritmo permitiram definir quais condições de teste são adequadas para a extração dos parâmetros modais do sistema rotativo. Em seguida, o algoritmo de aprendizado não supervisionado conhecido como K-means foi empregado para determinar quais dos atributos mais empregados para caracterizar os sinais de vibração são capazes de fornecer informações a respeito da qualidade das medições quanto à capacidade de extração dos parâmetros modais do rotor através da OMA. O método K-means e os atributos selecionados foram aplicados a dados do sistema rotativo não utilizados na etapa anterior, o que permitiu que os dados fossem classificados como adequados ou não adequados para a OMA antes que esta fosse aplicada aos sinais. Através dessas investigações, verificou-se o potencial da técnica desenvolvida no trabalho como uma ferramenta de auxílio ao Monitoramento da Saúde Estrutural de máquinas rotativasAbstract: This work presents a general study on the applicability of unsupervised machine learning methods combined with Operational Modal Analysis methods in Structural Health Monitoring of rotating machines. To achieve this goal, data from a rotating system supported by hydrodynamic bearings collected under different test conditions were employed. The Frequency Domain Decomposition (FDD) and the Stochastic Subspace Identification (SSI) methods were implemented in order to extract the rotating system modal parameters from the experimental data. The unsupervised machine learning method called Hierarchical Clustering was used in an algorithm that performs the automatic interpretation of the stabilization diagram obtained from the SSI method. The results obtained from this algorithm enabled the definition of which test conditions were adequate to the extraction of modal parameters from the rotating system. Then, the unsupervised learning algorithm known as K-means was used to determine which of the features most used to characterize vibration signals are able to provide information about the quality of measurements when the ability to extract rotor modal parameters through OMA is analyzed. The K-means method and the selected features were applied to data from the rotating system that were not used in the previous step, which allowed the new data to be classified as suitable or not suitable for OMA before it was applied to the signals. Through these investigations, it was verified the potential of the developed technique as a tool to aid the Structural Health Monitoring of rotating machinesMestradoMecânica dos Sólidos e Projeto MecânicoMestra em Engenharia MecânicaCAPES88887.499835/2020-00[s.n.]Machado, Tiago Henrique, 1986-Santos, Ilmar FerreiraSerpa, Alberto LuizUniversidade Estadual de Campinas. Faculdade de Engenharia MecânicaPrograma de Pós-Graduação em Engenharia MecânicaUNIVERSIDADE ESTADUAL DE CAMPINASDreher, Nathali Rolon, 1997-20222022-03-07T00:00:00Zinfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisapplication/pdf1 recurso online (126 p.) : il., digital, arquivo PDF.https://hdl.handle.net/20.500.12733/4057DREHER, Nathali Rolon. Emprego de técnicas de aprendizado de máquina para o monitoramento de sistemas rotativos via análise modal operacional. 2022. 1 recurso online (126 p.) Dissertação (mestrado) - Universidade Estadual de Campinas, Faculdade de Engenharia Mecânica, Campinas, SP. Disponível em: https://hdl.handle.net/20.500.12733/4057. Acesso em: 15 mai. 2024.https://repositorio.unicamp.br/acervo/detalhe/1242006Requisitos do sistema: Software para leitura de arquivo em PDFporreponame:Biblioteca Digital de Teses e Dissertações da Universidade Estadual de Campinas (UNICAMP)instname:Universidade Estadual de Campinas (UNICAMP)instacron:UNICAMPinfo:eu-repo/semantics/openAccess2022-05-19T16:34:38Zoai::1242006Biblioteca Digital de Teses e DissertaçõesPUBhttp://repositorio.unicamp.br/oai/tese/oai.aspsbubd@unicamp.bropendoar:2022-05-19T16:34:38Biblioteca Digital de Teses e Dissertações da Universidade Estadual de Campinas (UNICAMP) - Universidade Estadual de Campinas (UNICAMP)false
dc.title.none.fl_str_mv Emprego de técnicas de aprendizado de máquina para o monitoramento de sistemas rotativos via análise modal operacional
Machine learning techniques for the monitoring of rotating systems via operational modal analysis
title Emprego de técnicas de aprendizado de máquina para o monitoramento de sistemas rotativos via análise modal operacional
spellingShingle Emprego de técnicas de aprendizado de máquina para o monitoramento de sistemas rotativos via análise modal operacional
Dreher, Nathali Rolon, 1997-
Rotores
Análise modal
Aprendizado de máquina
Rotors
Modal analysis
Machine learning
title_short Emprego de técnicas de aprendizado de máquina para o monitoramento de sistemas rotativos via análise modal operacional
title_full Emprego de técnicas de aprendizado de máquina para o monitoramento de sistemas rotativos via análise modal operacional
title_fullStr Emprego de técnicas de aprendizado de máquina para o monitoramento de sistemas rotativos via análise modal operacional
title_full_unstemmed Emprego de técnicas de aprendizado de máquina para o monitoramento de sistemas rotativos via análise modal operacional
title_sort Emprego de técnicas de aprendizado de máquina para o monitoramento de sistemas rotativos via análise modal operacional
author Dreher, Nathali Rolon, 1997-
author_facet Dreher, Nathali Rolon, 1997-
author_role author
dc.contributor.none.fl_str_mv Machado, Tiago Henrique, 1986-
Santos, Ilmar Ferreira
Serpa, Alberto Luiz
Universidade Estadual de Campinas. Faculdade de Engenharia Mecânica
Programa de Pós-Graduação em Engenharia Mecânica
UNIVERSIDADE ESTADUAL DE CAMPINAS
dc.contributor.author.fl_str_mv Dreher, Nathali Rolon, 1997-
dc.subject.por.fl_str_mv Rotores
Análise modal
Aprendizado de máquina
Rotors
Modal analysis
Machine learning
topic Rotores
Análise modal
Aprendizado de máquina
Rotors
Modal analysis
Machine learning
description Orientador: Tiago Henrique Machado
publishDate 2022
dc.date.none.fl_str_mv 2022
2022-03-07T00:00:00Z
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://hdl.handle.net/20.500.12733/4057
DREHER, Nathali Rolon. Emprego de técnicas de aprendizado de máquina para o monitoramento de sistemas rotativos via análise modal operacional. 2022. 1 recurso online (126 p.) Dissertação (mestrado) - Universidade Estadual de Campinas, Faculdade de Engenharia Mecânica, Campinas, SP. Disponível em: https://hdl.handle.net/20.500.12733/4057. Acesso em: 15 mai. 2024.
url https://hdl.handle.net/20.500.12733/4057
identifier_str_mv DREHER, Nathali Rolon. Emprego de técnicas de aprendizado de máquina para o monitoramento de sistemas rotativos via análise modal operacional. 2022. 1 recurso online (126 p.) Dissertação (mestrado) - Universidade Estadual de Campinas, Faculdade de Engenharia Mecânica, Campinas, SP. Disponível em: https://hdl.handle.net/20.500.12733/4057. Acesso em: 15 mai. 2024.
dc.language.iso.fl_str_mv por
language por
dc.relation.none.fl_str_mv https://repositorio.unicamp.br/acervo/detalhe/1242006
Requisitos do sistema: Software para leitura de arquivo em PDF
dc.rights.driver.fl_str_mv info:eu-repo/semantics/openAccess
eu_rights_str_mv openAccess
dc.format.none.fl_str_mv application/pdf
1 recurso online (126 p.) : il., digital, arquivo PDF.
dc.publisher.none.fl_str_mv [s.n.]
publisher.none.fl_str_mv [s.n.]
dc.source.none.fl_str_mv reponame:Biblioteca Digital de Teses e Dissertações da Universidade Estadual de Campinas (UNICAMP)
instname:Universidade Estadual de Campinas (UNICAMP)
instacron:UNICAMP
instname_str Universidade Estadual de Campinas (UNICAMP)
instacron_str UNICAMP
institution UNICAMP
reponame_str Biblioteca Digital de Teses e Dissertações da Universidade Estadual de Campinas (UNICAMP)
collection Biblioteca Digital de Teses e Dissertações da Universidade Estadual de Campinas (UNICAMP)
repository.name.fl_str_mv Biblioteca Digital de Teses e Dissertações da Universidade Estadual de Campinas (UNICAMP) - Universidade Estadual de Campinas (UNICAMP)
repository.mail.fl_str_mv sbubd@unicamp.br
_version_ 1799138570301079552

Registros relacionados