Classificação automatizada de falhas tribológicas de sistemas alternativos com o uso de redes neurais artificiais não supervisionadas
Preventing, anticipating, avoiding failures in electromechanical systems are demands that have challenged researchers and engineering professionals for decades. Electromechanical systems present tribological processes that result in fatigue of materials and consequent loss of efficiency or even u...
Na minha lista:
| Autor principal: | |
|---|---|
| Outros Autores: | |
| Formato: | doctoralThesis |
| Idioma: | por |
| Publicado em: |
Brasil
|
| Assuntos: | |
| Endereço do item: | https://repositorio.ufrn.br/jspui/handle/123456789/22518 |
| Tags: |
Adicionar Tag
Sem tags, seja o primeiro a adicionar uma tag!
|
| id |
ri-123456789-22518 |
|---|---|
| record_format |
dspace |
| institution |
Repositório Institucional |
| collection |
RI - UFRN |
| language |
por |
| topic |
Tribologia Desgaste Sistemas eletromecânicos Manutenção Análise de sinais Redes neurais artificiais Mapas de Kohonen Segmentação de imagens FMEA Confiabilidade CNPQ::ENGENHARIAS::ENGENHARIA MECANICA |
| spellingShingle |
Tribologia Desgaste Sistemas eletromecânicos Manutenção Análise de sinais Redes neurais artificiais Mapas de Kohonen Segmentação de imagens FMEA Confiabilidade CNPQ::ENGENHARIAS::ENGENHARIA MECANICA Cabral, Marco Antonio Leandro Classificação automatizada de falhas tribológicas de sistemas alternativos com o uso de redes neurais artificiais não supervisionadas |
| description |
Preventing, anticipating, avoiding failures in electromechanical systems are demands that
have challenged researchers and engineering professionals for decades. Electromechanical
systems present tribological processes that result in fatigue of materials and consequent loss
of efficiency or even usefulness of machines and equipment. Several techniques are used in an
attempt to minimize the inherent losses of these systems through the analysis of signals from
the equipment studied and the consequences of these wastes at unexpected moments, such as
an aircraft in flight or a drilling rig in an oil well. Among them we can mention vibration
analysis, acoustic pressure measurement, temperature monitoring, particle analysis of
lubricating oil etc. However, electromechanical systems are complex and may exhibit
unexpected behavior. Reliability-centric maintenance requires ever faster, more efficient and
robust technological resources to ensure its efficiency and effectiveness. Failure Mode Effect
Analysis (FMEA) techniques in equipment are used to increase the reliability of preventive
and predictive maintenance system. Artificial neural networks (ANNs) are computational
tools that find applicability in several segments of the research and signal analysis, where it is
necessary to handle large amounts of data, associating statistics and computation in the
optimization of dynamic processes and a high degree of reliability. They are artificial
intelligence systems that have the ability to learn, are robust to failures, and can deliver realtime
results. This work aims at the use of artificial neural networks to treat signals from the
monitoring of tribological parameters through the use of a test bench to simulate contact
failures in an air compressor in order to create an automated fault detection and classification
system, unsupervised, with the use of self-organized maps, or SOM, applied to the preventive
and predictive maintenance of electromechanical processes. |
| author2 |
Matamoros, Efrain Pantaleon |
| author_facet |
Matamoros, Efrain Pantaleon Cabral, Marco Antonio Leandro |
| format |
doctoralThesis |
| author |
Cabral, Marco Antonio Leandro |
| author_sort |
Cabral, Marco Antonio Leandro |
| title |
Classificação automatizada de falhas tribológicas de sistemas alternativos com o uso de redes neurais artificiais não supervisionadas |
| title_short |
Classificação automatizada de falhas tribológicas de sistemas alternativos com o uso de redes neurais artificiais não supervisionadas |
| title_full |
Classificação automatizada de falhas tribológicas de sistemas alternativos com o uso de redes neurais artificiais não supervisionadas |
| title_fullStr |
Classificação automatizada de falhas tribológicas de sistemas alternativos com o uso de redes neurais artificiais não supervisionadas |
| title_full_unstemmed |
Classificação automatizada de falhas tribológicas de sistemas alternativos com o uso de redes neurais artificiais não supervisionadas |
| title_sort |
classificação automatizada de falhas tribológicas de sistemas alternativos com o uso de redes neurais artificiais não supervisionadas |
| publisher |
Brasil |
| publishDate |
2017 |
| url |
https://repositorio.ufrn.br/jspui/handle/123456789/22518 |
| work_keys_str_mv |
AT cabralmarcoantonioleandro classificacaoautomatizadadefalhastribologicasdesistemasalternativoscomousoderedesneuraisartificiaisnaosupervisionadas |
| _version_ |
1773958927104344064 |
| spelling |
ri-123456789-225182017-11-03T08:11:27Z Classificação automatizada de falhas tribológicas de sistemas alternativos com o uso de redes neurais artificiais não supervisionadas Cabral, Marco Antonio Leandro Matamoros, Efrain Pantaleon http://lattes.cnpq.br/5534453101318814 http://lattes.cnpq.br/5336356193599447 Costa, José Alfredo Ferreira http://lattes.cnpq.br/9745845064013172 Viana, Herbert Ricardo Garcia http://lattes.cnpq.br/4617469809005234 Silva, João Bosco da http://lattes.cnpq.br/3305848313356239 Paiva, José Alvaro de http://lattes.cnpq.br/6136888701626547 Morais, Antonio Higor Freire de http://lattes.cnpq.br/7568055799308361 Oliveira, Adelci Menezes de http://lattes.cnpq.br/7673440916658787 Tribologia Desgaste Sistemas eletromecânicos Manutenção Análise de sinais Redes neurais artificiais Mapas de Kohonen Segmentação de imagens FMEA Confiabilidade CNPQ::ENGENHARIAS::ENGENHARIA MECANICA Preventing, anticipating, avoiding failures in electromechanical systems are demands that have challenged researchers and engineering professionals for decades. Electromechanical systems present tribological processes that result in fatigue of materials and consequent loss of efficiency or even usefulness of machines and equipment. Several techniques are used in an attempt to minimize the inherent losses of these systems through the analysis of signals from the equipment studied and the consequences of these wastes at unexpected moments, such as an aircraft in flight or a drilling rig in an oil well. Among them we can mention vibration analysis, acoustic pressure measurement, temperature monitoring, particle analysis of lubricating oil etc. However, electromechanical systems are complex and may exhibit unexpected behavior. Reliability-centric maintenance requires ever faster, more efficient and robust technological resources to ensure its efficiency and effectiveness. Failure Mode Effect Analysis (FMEA) techniques in equipment are used to increase the reliability of preventive and predictive maintenance system. Artificial neural networks (ANNs) are computational tools that find applicability in several segments of the research and signal analysis, where it is necessary to handle large amounts of data, associating statistics and computation in the optimization of dynamic processes and a high degree of reliability. They are artificial intelligence systems that have the ability to learn, are robust to failures, and can deliver realtime results. This work aims at the use of artificial neural networks to treat signals from the monitoring of tribological parameters through the use of a test bench to simulate contact failures in an air compressor in order to create an automated fault detection and classification system, unsupervised, with the use of self-organized maps, or SOM, applied to the preventive and predictive maintenance of electromechanical processes. Prevenir, antever, evitar falhas em sistemas eletromecânicos são demandas que desafiam pesquisadores e profissionais de engenharia a décadas. Sistemas eletromecânicos apresentam processos tribológicos que resultam em fadiga de materiais e consequente perda de eficiência ou mesmo de utilidade de máquinas e equipamentos. Diversas técnicas são utilizadas na tentativa de, através da análise de sinais oriundos dos equipamentos estudados, que seja possível a minimização das perdas inerentes àqueles sistemas e as consequências desses desgastes em momentos não esperados, como uma aeronave em voo ou uma perfuratriz em um poço de petróleo. Dentre elas podemos citar a análise de vibração, medição da pressão acústica, monitoramento de temperatura, análise de partículas de óleo lubrificante etc. Entretanto sistemas eletromecânicos são complexos e podem apresentar comportamentos inesperados. A manutenção centrada na confiabilidade necessita de recursos tecnológicos cada vez mais rápidos, eficientes e robustos para garantir sua eficiência e eficácia. Técnicas de análise de efeitos e modos de falha (FMEA – Failure Mode Effect Analysis) em equipamentos são utilizadas para aumentar a confiabilidade dos sistemas de manutenção preventiva e preditiva. As redes neurais artificiais (RNA) são ferramentas computacionais que encontram aplicabilidade em diversos segmentos da pesquisa e análise de sinais, onde há necessidade do manuseio de grandes quantidades de dados, associando estatística e computação na otimização de processos dinâmicos e um alto grau de confiabilidade. São sistemas de inteligência artificial que têm capacidade de aprender, são robustas a falhas e podem apresentar resultados em tempo real. Este trabalho tem como objetivo a utilização de redes neurais artificiais para tratar sinais provenientes da monitoração de parâmetros tribológicos através do uso de uma bancada de testes para simular falhas de contato em um compressor de ar, a fim de criar um sistema de detecção e classificação de falhas automatizado, não supervisionado, com o uso de mapas auto-organizáveis, ou redes SOM (self organizaed maps), aplicado à manutenção preventiva e preditiva de processos eletromecânicos. 2017-03-29T19:12:55Z 2017-03-29T19:12:55Z 2017-01-17 doctoralThesis CABRAL, Marco Antonio Leandro. Classificação automatizada de falhas tribológicas de sistemas alternativos com o uso de redes neurais artificiais não supervisionadas. 2017. 140f. Tese (Doutorado em Engenharia Mecânica) - Centro de Tecnologia, Universidade Federal do Rio Grande do Norte, Natal, 2017. https://repositorio.ufrn.br/jspui/handle/123456789/22518 por Acesso Aberto application/pdf Brasil UFRN PROGRAMA DE PÓS-GRADUAÇÃO EM ENGENHARIA MECÂNICA |