Please use this identifier to cite or link to this item: http://repositorio.ufpa.br:8080/jspui/handle/2011/12714
Full metadata record
DC FieldValueLanguage
dc.creatorSOUZA, Jusley da Silva-
dc.date.accessioned2020-10-02T19:17:17Z-
dc.date.available2020-10-02T19:17:17Z-
dc.date.issued2019-08-06-
dc.identifier.citationSOUZA, 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: .pt_BR
dc.identifier.urihttp://repositorio.ufpa.br:8080/jspui/handle/2011/12714-
dc.description.abstractIn 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.pt_BR
dc.languageporpt_BR
dc.publisherUniversidade Federal do Parápt_BR
dc.rightsAcesso Abertopt_BR
dc.source1 CD-ROMpt_BR
dc.subjectMáquinas - Manutenção e reparospt_BR
dc.subjectManutenção preditivapt_BR
dc.subjectRolamentospt_BR
dc.subjectLocalização de falhas (Engenharia)pt_BR
dc.subjectVibraçãopt_BR
dc.subjectAprendizado do computadorpt_BR
dc.titleAnálise de atributos de classificação para o diagnóstico de falhas em rolamentos baseado em SVMpt_BR
dc.typeDissertaçãopt_BR
dc.publisher.countryBrasilpt_BR
dc.publisher.departmentNúcleo de Desenvolvimento Amazônico em Engenharia - NDAE/Tucuruípt_BR
dc.publisher.initialsUFPApt_BR
dc.subject.cnpqCNPQ::ENGENHARIASpt_BR
dc.contributor.advisor1MESQUITA, Alexandre Luiz Amarante-
dc.contributor.advisor1Latteshttp://lattes.cnpq.br/3605920981600245pt_BR
dc.contributor.advisor-co1BAYMA, Rafael Suzuki-
dc.contributor.advisor-co1Latteshttp://lattes.cnpq.br/6240525080111166pt_BR
dc.creator.Latteshttp://lattes.cnpq.br/1390976384574604pt_BR
dc.description.resumoNas 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.pt_BR
dc.publisher.programPrograma de Pós-Graduação em Engenharia de Infraestrutura e Desenvolvimento Energéticopt_BR
dc.subject.linhadepesquisaTECNOLOGIA DOS MATERIAISpt_BR
dc.subject.areadeconcentracaoINFRAESTRUTURApt_BR
dc.contributor.advisor1ORCIDhttps://orcid.org/0000-0001-5605-8381pt_BR
Appears in Collections:Dissertações em Engenharia de Infraestrutura e Desenvolvimento Energético (Mestrado) - PPGINDE/Tucuruí

Files in This Item:
File Description SizeFormat 
Dissertacao_AnaliseAtributosClassificacao.pdf3,51 MBAdobe PDFView/Open


This item is licensed under a Creative Commons License Creative Commons