Diagnóstico e análise de falhas em máquinas rotativas através do agoritmo de seleção negativa com aprendizagem contínua
Autor(a) principal: | |
---|---|
Data de Publicação: | 2023 |
Tipo de documento: | Tese |
Idioma: | por |
Título da fonte: | Repositório Institucional da UNESP |
Texto Completo: | http://hdl.handle.net/11449/239669 |
Resumo: | Com processos produtivos cada vez mais otimizados e eficientes, máquinas e equipamentos rotativos são indispensáveis na maioria dos projetos mecânicos. Eles são responsáveis pelo fornecimento e transferência de forças das plantas industriais, e sua disponibilidade influencia diretamente na produtividade, lucratividade e segurança dos funcionários. A falha nesse tipo de equipamento provoca variações nos parâmetros espaciais da estrutura e modifica seu comportamento dinâmico através da variação da rigidez, massa e amortecimento. Os sistemas de monitoramento de integridade estrutural, do inglês, Structural Health Monitoring (SHM), através da utilização de ferramentas tecnológicas avançadas, como: sensores e técnicas inteligentes, lógica fuzzy e sistemas imunológicos artificiais, são capazes de identificar danos em seu estágio inicial, mensurar a gravidade do problema e otimizar os procedimentos para solução do mesmo. O objetivo dessa pesquisa é o projeto e desenvolvimento de um SHM baseado em técnicas de computação inteligente, através um algoritmo de sistemas imunológicos artificiais com seleção negativa e aprendizado continuado, capaz de detectar, classificar e quantificar falhas estruturais em sistemas dinâmicos rotativos. Verificou-se o desempenho do algoritmo de seleção negativa (ASN) de forma isolada, que apresentou bons resultados quando os danos eram conhecidos e constavam no banco de detectores. Quando esses dados não constavam no banco de dados, o algoritmo foi incapaz de reconhece-los, justificando-se a integração do algoritmo de seleção clonal (CLONALG) ao algoritmo de seleção negativa (ASN) que, nesse caso, foi capaz de identificar os danos com eficiência e robustez. |
id |
UNSP_cf48c6e9caf8b4366e1eb513104931a0 |
---|---|
oai_identifier_str |
oai:repositorio.unesp.br:11449/239669 |
network_acronym_str |
UNSP |
network_name_str |
Repositório Institucional da UNESP |
repository_id_str |
2946 |
spelling |
Diagnóstico e análise de falhas em máquinas rotativas através do agoritmo de seleção negativa com aprendizagem contínuaDiagnosis and analysis of failures in rotating machines using the negative selection agorithm with continuous learningSHMAprendizagem de máquinaDesbalanceamentoSistemas imunológicos artificiaisMachine learningImbalanceArtificial immune systemsCom processos produtivos cada vez mais otimizados e eficientes, máquinas e equipamentos rotativos são indispensáveis na maioria dos projetos mecânicos. Eles são responsáveis pelo fornecimento e transferência de forças das plantas industriais, e sua disponibilidade influencia diretamente na produtividade, lucratividade e segurança dos funcionários. A falha nesse tipo de equipamento provoca variações nos parâmetros espaciais da estrutura e modifica seu comportamento dinâmico através da variação da rigidez, massa e amortecimento. Os sistemas de monitoramento de integridade estrutural, do inglês, Structural Health Monitoring (SHM), através da utilização de ferramentas tecnológicas avançadas, como: sensores e técnicas inteligentes, lógica fuzzy e sistemas imunológicos artificiais, são capazes de identificar danos em seu estágio inicial, mensurar a gravidade do problema e otimizar os procedimentos para solução do mesmo. O objetivo dessa pesquisa é o projeto e desenvolvimento de um SHM baseado em técnicas de computação inteligente, através um algoritmo de sistemas imunológicos artificiais com seleção negativa e aprendizado continuado, capaz de detectar, classificar e quantificar falhas estruturais em sistemas dinâmicos rotativos. Verificou-se o desempenho do algoritmo de seleção negativa (ASN) de forma isolada, que apresentou bons resultados quando os danos eram conhecidos e constavam no banco de detectores. Quando esses dados não constavam no banco de dados, o algoritmo foi incapaz de reconhece-los, justificando-se a integração do algoritmo de seleção clonal (CLONALG) ao algoritmo de seleção negativa (ASN) que, nesse caso, foi capaz de identificar os danos com eficiência e robustez.With production processes increasingly more optimized and efficient, rotating machines and equipment are indispensable in most mechanical projects. They are responsible for supplying and transferring forces from industrial plants, and their availability directly influences productivity, profitability and employee safety. Failure in this type of equipment causes variations in the spatial parameters of the structure and modifies its dynamic behavior through the variation of rigidity, mass and shock absorption. Structural health monitoring systems (SHM), through the use of advanced technological tools, such as sensors and intelligent techniques, fuzzy logic and artificial immune systems, are able to identify damage in its initial stage, measure the severity of problem and optimize the procedures for solving it. The goal of this research is the design and development of an SHM based on intelligent computing techniques, through an algorithm of artificial immune systems with negative selection and continuous learning, capable of detecting, classifying and quantifying structural failures in rotating dynamic systems. The performance of the negative selection algorithm (ASN) was verified in isolation, which presented good results when the damages were known and included in the detector bank. When these data were not in the database, the algorithm was unable to recognize them, justifying the integration of the Clonal Selection Algorithm (CLONALG) continuous learning algorithm to the ASN which, in this case, was able to identify damage efficiently and robustly.Universidade Estadual Paulista (Unesp)Chavarette, Fabio Roberto [UNESP]Universidade Estadual Paulista (Unesp)Lourenço, Rodrigo Francisco Borges2023-02-23T13:22:15Z2023-02-23T13:22:15Z2023-01-30info:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/doctoralThesisapplication/pdfhttp://hdl.handle.net/11449/23966933004099082P2porinfo:eu-repo/semantics/openAccessreponame:Repositório Institucional da UNESPinstname:Universidade Estadual Paulista (UNESP)instacron:UNESP2024-01-14T06:19:25Zoai:repositorio.unesp.br:11449/239669Repositório InstitucionalPUBhttp://repositorio.unesp.br/oai/requestopendoar:29462024-05-23T20:39:29.690890Repositório Institucional da UNESP - Universidade Estadual Paulista (UNESP)false |
dc.title.none.fl_str_mv |
Diagnóstico e análise de falhas em máquinas rotativas através do agoritmo de seleção negativa com aprendizagem contínua Diagnosis and analysis of failures in rotating machines using the negative selection agorithm with continuous learning |
title |
Diagnóstico e análise de falhas em máquinas rotativas através do agoritmo de seleção negativa com aprendizagem contínua |
spellingShingle |
Diagnóstico e análise de falhas em máquinas rotativas através do agoritmo de seleção negativa com aprendizagem contínua Lourenço, Rodrigo Francisco Borges SHM Aprendizagem de máquina Desbalanceamento Sistemas imunológicos artificiais Machine learning Imbalance Artificial immune systems |
title_short |
Diagnóstico e análise de falhas em máquinas rotativas através do agoritmo de seleção negativa com aprendizagem contínua |
title_full |
Diagnóstico e análise de falhas em máquinas rotativas através do agoritmo de seleção negativa com aprendizagem contínua |
title_fullStr |
Diagnóstico e análise de falhas em máquinas rotativas através do agoritmo de seleção negativa com aprendizagem contínua |
title_full_unstemmed |
Diagnóstico e análise de falhas em máquinas rotativas através do agoritmo de seleção negativa com aprendizagem contínua |
title_sort |
Diagnóstico e análise de falhas em máquinas rotativas através do agoritmo de seleção negativa com aprendizagem contínua |
author |
Lourenço, Rodrigo Francisco Borges |
author_facet |
Lourenço, Rodrigo Francisco Borges |
author_role |
author |
dc.contributor.none.fl_str_mv |
Chavarette, Fabio Roberto [UNESP] Universidade Estadual Paulista (Unesp) |
dc.contributor.author.fl_str_mv |
Lourenço, Rodrigo Francisco Borges |
dc.subject.por.fl_str_mv |
SHM Aprendizagem de máquina Desbalanceamento Sistemas imunológicos artificiais Machine learning Imbalance Artificial immune systems |
topic |
SHM Aprendizagem de máquina Desbalanceamento Sistemas imunológicos artificiais Machine learning Imbalance Artificial immune systems |
description |
Com processos produtivos cada vez mais otimizados e eficientes, máquinas e equipamentos rotativos são indispensáveis na maioria dos projetos mecânicos. Eles são responsáveis pelo fornecimento e transferência de forças das plantas industriais, e sua disponibilidade influencia diretamente na produtividade, lucratividade e segurança dos funcionários. A falha nesse tipo de equipamento provoca variações nos parâmetros espaciais da estrutura e modifica seu comportamento dinâmico através da variação da rigidez, massa e amortecimento. Os sistemas de monitoramento de integridade estrutural, do inglês, Structural Health Monitoring (SHM), através da utilização de ferramentas tecnológicas avançadas, como: sensores e técnicas inteligentes, lógica fuzzy e sistemas imunológicos artificiais, são capazes de identificar danos em seu estágio inicial, mensurar a gravidade do problema e otimizar os procedimentos para solução do mesmo. O objetivo dessa pesquisa é o projeto e desenvolvimento de um SHM baseado em técnicas de computação inteligente, através um algoritmo de sistemas imunológicos artificiais com seleção negativa e aprendizado continuado, capaz de detectar, classificar e quantificar falhas estruturais em sistemas dinâmicos rotativos. Verificou-se o desempenho do algoritmo de seleção negativa (ASN) de forma isolada, que apresentou bons resultados quando os danos eram conhecidos e constavam no banco de detectores. Quando esses dados não constavam no banco de dados, o algoritmo foi incapaz de reconhece-los, justificando-se a integração do algoritmo de seleção clonal (CLONALG) ao algoritmo de seleção negativa (ASN) que, nesse caso, foi capaz de identificar os danos com eficiência e robustez. |
publishDate |
2023 |
dc.date.none.fl_str_mv |
2023-02-23T13:22:15Z 2023-02-23T13:22:15Z 2023-01-30 |
dc.type.status.fl_str_mv |
info:eu-repo/semantics/publishedVersion |
dc.type.driver.fl_str_mv |
info:eu-repo/semantics/doctoralThesis |
format |
doctoralThesis |
status_str |
publishedVersion |
dc.identifier.uri.fl_str_mv |
http://hdl.handle.net/11449/239669 33004099082P2 |
url |
http://hdl.handle.net/11449/239669 |
identifier_str_mv |
33004099082P2 |
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 |
application/pdf |
dc.publisher.none.fl_str_mv |
Universidade Estadual Paulista (Unesp) |
publisher.none.fl_str_mv |
Universidade Estadual Paulista (Unesp) |
dc.source.none.fl_str_mv |
reponame:Repositório Institucional da UNESP instname:Universidade Estadual Paulista (UNESP) instacron:UNESP |
instname_str |
Universidade Estadual Paulista (UNESP) |
instacron_str |
UNESP |
institution |
UNESP |
reponame_str |
Repositório Institucional da UNESP |
collection |
Repositório Institucional da UNESP |
repository.name.fl_str_mv |
Repositório Institucional da UNESP - Universidade Estadual Paulista (UNESP) |
repository.mail.fl_str_mv |
|
_version_ |
1803045686376136704 |