Please use this identifier to cite or link to this item: http://repositoriosenaiba.fieb.org.br/handle/fieb/1231
Full metadata record
DC FieldValueLanguage
dc.contributor.advisorSantos, Alex Alisson Bandeira-
dc.contributor.authorAraújo, Alvaro Souza de-
dc.date.accessioned2022-08-20T14:16:26Z-
dc.date.available2022-08-20T14:16:26Z-
dc.date.issued2022-07-26-
dc.identifier.citationARAÚJO, Álvaro de Souza; SANTOS, Alex Álisson Bandeira (Orientador); PINHEIRO, Oberdan Rocha (Coorientador). Análise, avaliação e validação do uso de técnicas de inteligência artificial para o diagnóstico de falhas em motores de indução. Salvador, BA, 2022. 89 p. Dissertação ( Mestrado em Modelagem Computacional e Tecnologia Industrial). Salvador, 2022.pt_BR
dc.identifier.urihttp://repositoriosenaiba.fieb.org.br/handle/fieb/1231-
dc.description.abstractPredictive maintenance uses several methods to monitor the conditions of electric motors applied in industrial plants. Among these methods, vibration analysis stands out as a widely used method due to the possibility of identifying a wide possibility of failures. This process still depends a lot on the analysis and manual processing of the informa tion collected, which can lead to a longer time to perform the analysis of the condition of a machine, which consequently generates more costs for the company. Depending on the number of equipment, this task can take a long time, requiring more manpower; It is also possible that errors in the interpretation of the data occur. With the result of this research, and with the algorithm tested and validated, interpretation errors must be minimized. This work presents the development of a computational model equipped with a classifier algorithm to receive vibration readings from electric motors and determine if the machine presents a failure behavior and, if so, which failure. Different classification algorithms will be compared in order to determine the most appropriate methodology to solve this problem. In this research, the MaFaulDa dataset was used since it contains vibration readings under different failure conditions simulated in the laboratory, which allows training the model to detect a wide range of defects. The computational model performs the pre-processing of the data through the Fourier Transform (FFT), then the algorithms are trained with the vibration signals in the frequency spectrum. After vali dation, the results of the algorithms were compared to determine the most suitable for the solution of the problem proposed in this work. After validation, the results of the algorithms were compared to determine the most suitable for the solution of the problem proposed in this work. After evaluating the accuracy of all four models, Random Forest showed the best accuracy for the dataset, with 97.18% accuracy. The second algorithm with the best hit rate was Support Vector Machines, with 94.05% accuracy with the fil tered dataset. The K-Nearest Neighbor model presented 91.39% of accuracy, making it the least assertive among those involved in the study, while the Artificial Neural Network presented a relevant advantage when trained with the complete dataset, without attribute filters.pt_BR
dc.language.isopt_BRpt_BR
dc.publisherCentro Universitário SENAI CIMATECpt_BR
dc.rightsacesso abertopt_BR
dc.rights.uri"Todos os direitos reservados. É permitida a reprodução parcial ou total desta obra, desde que citada a fonte e que não seja para venda ou qualquer fim comercial."pt_BR
dc.subjectDeteção de falhaspt_BR
dc.subjectAnálise de vibraçãopt_BR
dc.subjectAlgoritmos de classificaçãopt_BR
dc.titleAnálise, avaliação e validação do uso de técnicas de inteligência artificial para o diagnóstico de falhas em motores de induçãopt_BR
dc.title.alternativeAnalysis, evaluation and validation of the use of artificial intelligence techniques for fault diagnosis in induction motorspt_BR
dc.typeDissertaçãopt_BR
dc.embargo.termsabertopt_BR
dc.publisher.countrybrasilpt_BR
dc.publisher.departamentCentro Universitário SENAI CIMATECpt_BR
dc.publisher.programPrograma de Pós-Graduação Stricto Sensupt_BR
dc.publisher.initialsSENAI CIMATECpt_BR
dc.subject.cnpqInterdisciplinarpt_BR
dc.contributor.advisor-coPinheiro, Oberdan Rocha-
dc.contributor.refereesMonteiro, Roberto Luiz Souza-
dc.contributor.refereesBomfim, Marcelo Henrique Souza-
dc.description.resumoA manutenção preditiva utiliza de diversos métodos para acompanhamento das condições dos motores elétricos aplicados em plantas industriais. Dentre estes métodos, destaca se a análise de vibração como todo amplamente utilizado devido à possibilidade de identificação de uma vasta possibilidade de falhas. Este processo ainda depende muito da análise e processamento manual das informações coletadas, o que pode demandar um tempo maior para realizar a análise da condição de uma máquina, o que consequentemente gera mais custos para a empresa. A depender do número de equipamentos, esta tarefa pode levar muito tempo, necessitando de mais mão de obra. E possível, também, que erros na interpretação dos dados ocorram. Com o resultado desta pesquisa, e com o algoritmo testado e validado, erros de interpretação devem ser minimizados. Este trabalho apresenta o desenvolvimento de um modelo computacional dotado de um algoritmo classificador para processar sinais de vibração de motores elétricos e determinar se a máquina apresenta um comportamento de falha e, em caso positivo, qual falha. Foram compara dos os desempenhos dos algoritmos K-Nearest Neighbor, Support Vector Machines, Rede Neural Artificial e Random Forest, de modo a determinar a metodologia mais adequada para a solução deste problema. Nesta pesquisa, foi utilizado o dataset MaFaulDa por conter leituras de vibração sob diversas condições de falha simuladas em laboratório, o que permite treinar o modelo para detectar uma variada gama de falhas. O modelo computacional realiza o pré-processamento dos dados por meio da Transformada de Fourier (FFT), para que, então, os algoritmos sejam treinados com os sinais de vibração no espectro da frequência. Após a validação, foram comparados os resultados dos algoritmos para determinar o mais indicado para a solução do problema proposto neste trabalho. Após avaliar a precisão de todos os quatro modelos, o Random Forest apresentou a melhor precisão para o conjunto de dados, com 97.18% de acerto. O segundo algoritmo com a melhor taxa de acerto foi o Support Vector Machines, com 94.05% de acurácia com o dataset filtrado. O modelo K-Nearest Neighbor apresentou 91.39% de acerto, tornando-o o menos assertivo dentre os envolvidos no estudo, enquanto o Rede Neural Artificial apresentou uma vantagem relevante quando treinado com o dataset completo, sem os filtros de atributos.pt_BR
Appears in Collections:Dissertações de Mestrado (PPG MCTI)

Files in This Item:
File Description SizeFormat 
Álvaro Souza de Araújo_2022.pdfTCCP / DISSERTAÇÃO MCTI / SENAI CIMATEC3.73 MBAdobe PDFView/Open


Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.