Dissertações em Engenharia de Infraestrutura e Desenvolvimento Energético (Mestrado) - PPGINDE/NDAE/Tucuruí

URI Permanente para esta coleçãohttps://repositorio.ufpa.br/handle/2011/9401

Navegar

Agora exibindo 1 - 5 de 5

Acesso aberto (Open Access)
Análise de atributos de classificação para o diagnóstico de falhas em rolamentos baseado em SVM
(Universidade Federal do Pará, 2019-08-06) SOUZA, Jusley da Silva; BAYMA, Rafael Suzuki; http://lattes.cnpq.br/6240525080111166; MESQUITA, Alexandre Luiz Amarante; http://lattes.cnpq.br/3605920981600245; https://orcid.org/0000-0001-5605-8381
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.
Acesso aberto (Open Access)
Desenvolvimento de sistema de diagnóstico de falhas em roletes de transportadores de correia
(Universidade Federal do Pará, 2024-03-28) SOARES, João Lucas Lobato; MESQUITA, Alexandre Luiz Amarante; http://lattes.cnpq.br/3605920981600245; https://orcid.org/0000-0001-5605-8381
Os transportadores de correia são equipamentos essenciais na indústria de mineração e requerem monitoramento constante para manter uma boa confiabilidade. Com o objetivo de suportar a correia e o material transportado, os roletes são componentes que, constantemente, falham durante a operação, nos quais apresentam defeitos nos rolamentos e desgaste superficial na concha como modos de falha mais comuns. Assim, o monitoramento baseado em manutenção preditiva é essencial, e técnicas de aprendizado de máquina podem ser utilizadas como alternativa para detecção de falhas em equipamentos. Em diagnósticos utilizando aprendizado de máquina, a etapa de seleção de features é importante para evitar a perda de precisão na classificação da condição do equipamento. O presente estudo analisa o desempenho do algoritmo de árvore de decisão e Análise de Variância (ANOVA) como métodos alternativos para redução de dimensionalidade. Inicialmente, os sinais de vibração foram coletados nos roletes de uma bancada de transportador de correia e a Wavelet Packet Decomposition (WPD) foi aplicada aos sinais para obtenção das faixas de energia, que foram utilizadas como features para classificação. Após a determinação das melhores features, duas abordagens foram analisadas para seleção de características: uma com a aplicação do método sem redução de dimensionalidade e outra com a aplicação da árvore de decisão. Adicionalmente, foram empregados diferentes algoritmos de classificação: Máquina de Vetores de Suporte (SVM), k-ésimo Vizinho mais Próximo (kNN) e Rede Neural Artificial (ANN). Como resultados, constatou-se um desempenho superior de acurácia diagnóstica em todas as técnicas com redução de dimensionalidade das características selecionadas pela árvore de decisão. Além disso, SVM, kNN e ANN apresentaram aumentos de acuracidade dentre os modelos de diagnóstico de falha abordados.
Acesso aberto (Open Access)
Dimensionamento de soluções acústicas para máquina aplicada à extração de fibras do pseudocaule da bananeira
(Universidade Federal do Pará, 2020-02-28) SILVA, Geanilson Brito da; MESQUITA, Alexandre Luiz Amarante; http://lattes.cnpq.br/3605920981600245; https://orcid.org/0000-0001-5605-8381
A Região de Integração (RI) do Lago de Tucuruí destaca-se pela produção de banana no estado do Pará, tornando-o um dos principais produtores do fruto. Contudo, os rendimentos dos agricultores da região com a bananicultura restringem-se somente à venda do fruto, descartando as demais partes da bananeira, que podem ser aproveitadas para manufatura de produtos com maior valor agregado. Com o aproveitamento principalmente, das fibras do pseudocaule da bananeira, diversos produtos podem ser gerados, impulsionando o desenvolvimento da bananicultura na região e promovendo um aumento de emprego e renda. Visando este crescimento socioeconômico da RI Lago de Tucuruí, o presente trabalho apresenta, em sua primeira parte, uma análise da máquina de extração de fibras do pseudocaule da bananeira na Universidade Federal do Pará, Campus de Tucuruí, que atenderá aos pequenos produtores e cooperativas de agricultores da região. Na operação da máquina, verificou-se que esta apresenta problemas de ruído. Os níveis de pressão sonora medidos no entorno da máquina estão acima dos limites normativos. Desta forma, foram realizados estudos para a definição de soluções acústicas visando a resolução do problema. Na segunda parte, o foco principal deste trabalho consiste em apresentar as soluções acústicas para máquina de extração de fibra, incluído a especificação de isoladores de vibração, troca de ventoinha do motor elétrico e dimensionamento de enclausuramento parcial da máquina.
Acesso aberto (Open Access)
Identificação de danos em estruturas usando modelo preditor baseado em técnicas de aprendizagem de máquinas
(Universidade Federal do Pará, 2019-10-04) BONA, Vanessa Cordeiro de; BAYMA, Rafael Suzuki; http://lattes.cnpq.br/6240525080111166; MESQUITA, Alexandre Luiz Amarante; http://lattes.cnpq.br/3605920981600245; https://orcid.org/0000-0001-5605-8381
O aumento na quantidade de novas edificações e a existência de inúmeras construções antigas, sejam de pequeno médio ou grande porte, chamam a atenção para a necessidade de medidas que mantenham a qualidade, segurança e vida útil das estruturas. A realização de inspeções e monitoramentos independentemente da idade da edificação, tornam-se indispensáveis para detectar a existência de danos principalmente na sua fase inicial, evitando a sua propagação ou consequências graves que se originam devido a um colapso da estrutura, por conta do elevado grau de deterioração e inexistência de técnicas para recuperação. Baseando-se nesses aspectos, a presente dissertação tem como objetivo geral realizar a detecção de danos em estruturas usando a abordagem de aprendizagem de máquinas (machine learning) que integra três técnicas: inicialmente aplica-se o Ensemble Empirical Mode Decomposition (EEMD) que faz um processamento dos sinais e busca adequá-los para aplicação do Modelo Auto Regressivo (AR) gerando os atributos, que servirão como padrões de entrada para o classificador Support Vector Machine (SVM). Os dados utilizados para aplicação dos métodos são provenientes da modelagem de vigas de aço bi-apoiadas, íntegras e com regiões danificadas, pelo Software de Análise Estrutural SAP 2000. Tendo como referência a criação das estruturas por elementos finitos, foram aplicados dois tipos de carregamentos. O primeiro caso de carregamento aleatório atuando em apenas um ponto da viga e o segundo caso com três carregamentos simultâneos em três pontos da viga. Conforme as variações de localização e grau de severidade dos danos, o estudo buscou avaliar a capacidade dos modelos preditores em classificar os dados corretamente. Nas análises com maiores perdas de massa, os valores de acurácia são mais elevados, diminuindo de acordo com a redução da geometria do dano, pois os sinais de deslocamento se tornam similares ao da estrutura íntegra. Em relação a quantidade de carregamentos, o método demonstrou melhor desempenho e acurácia nos casos com três cargas simultâneas.
Acesso aberto (Open Access)
Proposta de metodologia para diagnóstico de falha em rolamentos de baixa velocidade
(Universidade Federal do Pará, 2024-04-19) COSTA, Thiago Barroso; MESQUITA, Alexandre Luiz Amarante; http://lattes.cnpq.br/3605920981600245; https://orcid.org/0000-0001-5605-8381
O monitoramento de rolamentos de baixa velocidade por análise de vibração torna-se desafiador devido ao baixo nível de energia do sinal que carrega os dados relativos à falha, tornando-o suscetível a interferências de outras fontes, prejudicando a interpretação da informação. Diante disso, uma alternativa é calcular características do sinal sensíveis a alterações de padrão relacionadas ao início e progressão de falha. Assim, o presente trabalho extraiu diferentes tipos de features, entre elas, duas não-lineares e onze extraídas do sinal no domínio do tempo. As quais foram ranqueadas e selecionadas por sua sensibilidade em diferenciar entre classes, o que se estimou por meio do valor estatístico do teste t de Welch. Entre elas, o Máximo Expoente de Lyapunov, que, no presente trabalho, passou por uma alteração em uma de suas etapas de cálculo, resultando em um aumento de sua sensibilidade em alguns casos. Ademais, a influência do tamanho da janela do sinal de vibração na separabilidade dos indicadores também foi analisada (conteúdo escasso na literatura de monitoramento de rolamentos de baixa velocidade). Após a seleção de features, os dados passaram por uma transformação linear mediante PCA (Análise de Componentes Principais), visando reduzir a dimensionalidade dos dados para três dimensões e diminuir os efeitos de redundâncias de preditores altamente correlacionados. Na sequência, os dados representados no espaço das componentes principais foram projetados na carta de controle estatístico T2 de Hotelling. Esta permitiu a detecção e eliminação de potenciais outliers, os quais consistiram em pontos acima de uma linha limite estimada com base na distribuição estatística F. Finalmente, modelos de classificação binário e multiclasse de Máquina de Vetores de Suporte foram treinados com dados coletados em ensaio de laboratório com rolamentos sem e com defeito incipiente em três diferentes níveis. Os modelos apresentaram ótima performance, sobretudo o binário diante de dados de teste oriundos de mancais de tambores de transportadores de correia em plena operação industrial.

Navegar

Navegando Dissertações em Engenharia de Infraestrutura e Desenvolvimento Energético (Mestrado) - PPGINDE/NDAE/Tucuruí por Orientadores "MESQUITA, Alexandre Luiz Amarante"