Use este identificador para citar ou linkar para este item: http://repositorio.ufpa.br:8080/jspui/handle/2011/12714
Tipo: Dissertação
Data do documento: 6-Ago-2019
Autor(es): SOUZA, Jusley da Silva
Primeiro(a) Orientador(a): MESQUITA, Alexandre Luiz Amarante
ORCID do(a) primeiro(a) orientador(a): https://orcid.org/0000-0001-5605-8381
Primeiro(a) coorientador(a): BAYMA, Rafael Suzuki
Título: Análise de atributos de classificação para o diagnóstico de falhas em rolamentos baseado em SVM
Citar como: SOUZA, Jusley da Silva. Análise de atributos de classificação para o diagnóstico de falhas em rolamentos baseado em SVM. Orientador: Alexandre Luiz Amarante Mesquita; Coorientador: Rafael Suzuki Bayma. 2019. 89 f. Dissertação (Mestrado em Engenharia de Infraestrutura e Desenvolvimento Energético) - Núcleo de Desenvolvimento Amazônico em Engenharia, Universidade Federal do Pará, Tucuruí, 2019. Disponível em: http://repositorio.ufpa.br:8080/jspui/handle/2011/12714. Acesso em: .
Resumo: Nas indústrias, a preocupação em disponibilidade total de máquinas e equipamentos mecânicos no setor produtivo é assunto de pesquisas e testes para obtenção de técnicas mais eficientes aplicadas ao monitoramento e diagnóstico de falhas. Rolamentos são elementos de máquina de grande aplicação no setor industrial, e apresentam alto índice de falhas, que geram paradas da máquina para realizar manutenção. Por esse motivo este trabalho apresenta técnica de Inteligência Artificial aplicada aos sinais de vibrações de uma máquina rotativa para diagnóstico de falhas em seus rolamentos. Os sinais de vibração fazem parte de um banco de dados aberto, oferecido pela Case Western Reserve University. Neste trabalho é aplicado de duas formas o algoritmo de classificação Máquina de Vetores de Suporte (Support Vector Machine, SVM) para o diagnóstico de defeitos em rolamento. No primeiro caso são usados preditores estatísticos (Valor RMS, Fator de Crista, Fator K, Curtose e Skewness) como atributos para o classificador SVM. No segundo caso, o processamento do sinal é feito aplicando o método EEMD (Ensemble Empirical Mode Decomposition), que gera vários sinais denominados de Funções de Modos Intrínsecos (IMFs). Para cada IMF faz-se a sua modelagem usando Modelagem Autoregressiva (AR), e os coeficientes dos modelos AR de cada IMF são usados como atributos para o classificador SVM. As análises são realizadas para grupos de treinamentos e validação, com janelas escolhidas aleatoriamente e com janelas escolhidas na sequência temporal, considerando-se dois problemas de classificação dentro dos mesmos dados: um considera-se a mesma severidade e muda apenas o tipo de defeito e a outra em que tanto a severidade quanto o tipo de defeito variam. Como resultados, as metodologias apresentaram excelentes resultados de confiabilidade para diagnóstico de falhas em rolamentos.
Abstract: In industries, the concern in total availability of machines and the mechanical equipment in the productive area it’s subject of research and tests to obtain more efficient techniques to be applied for monitoring and faults’ diagnosing. Bearings are machine elements of great application in the industrial area and they present high fault index that generate machine’s stops to carry out maintenance. For this reason, this paper presents Artificial Intelligence technique applied to the vibration signals of a rotary machine for fault diagnosis in its bearings. The vibration signals are part of an open database offered by Case Western Reserve University. In this paper the Support Vector Machine (SVM) classification algorithm is applied in two ways for the rolling bearings faults’ diagnosis. In the first case statistical predictors (Root Mean Square Value, Crest Factor, K Factor, Kurtosis and Skewness) are used as features for the SVM classifier. In the second case, the signal processing is performed by applying the Ensemble Empirical Mode Decomposition (EEMD), which generates several signals called Intrinsic Mode Functions (IMFs). For each IMF, it’s modeled using Autoregressive Modeling (AR), and the AR modeling coefficients of each IMF are used as features for the SVM classifier. The analyzes are performed for training and validation groups, with randomly chosen window and with temporal sequence chosen window, considering two classification problems within the same data, the first one considers the same severity and only changes the fault type and the other vary both severity and fault type. As result, both methodologies presented excellent reliability results for bearing faults’ diagnosis.
Palavras-chave: Máquinas - Manutenção e reparos
Manutenção preditiva
Rolamentos
Localização de falhas (Engenharia)
Vibração
Aprendizado do computador
Área de Concentração: INFRAESTRUTURA
Linha de Pesquisa: TECNOLOGIA DOS MATERIAIS
CNPq: CNPQ::ENGENHARIAS
País: Brasil
Instituição: Universidade Federal do Pará
Sigla da Instituição: UFPA
Instituto: Núcleo de Desenvolvimento Amazônico em Engenharia - NDAE/Tucuruí
Programa: Programa de Pós-Graduação em Engenharia de Infraestrutura e Desenvolvimento Energético
Tipo de Acesso: Acesso Aberto
Fonte: 1 CD-ROM
Aparece nas coleções:Dissertações em Engenharia de Infraestrutura e Desenvolvimento Energético (Mestrado) - PPGINDE/Tucuruí

Arquivos associados a este item:
Arquivo Descrição TamanhoFormato 
Dissertacao_AnaliseAtributosClassificacao.pdf3,51 MBAdobe PDFVisualizar/Abrir


Este item está licenciada sob uma Licença Creative Commons Creative Commons