Use este identificador para citar ou linkar para este item: https://repositorio.ufpa.br/jspui/handle/2011/17437
Registro completo de metadados
Campo DCValorIdioma
dc.creatorCOSTA, Thiago Barroso-
dc.date.accessioned2025-05-29T13:55:08Z-
dc.date.available2025-05-29T13:55:08Z-
dc.date.issued2024-04-19-
dc.identifier.citationCOSTA, Thiago Barroso. Proposta de metodologia para diagnóstico de falha em rolamentos de baixa velocidade. Orientador: Alexandre Luiz Amarante Mesquita. 2024. 80 f. Dissertação (Mestrado em Engenharia de Infraestrutura e Desenvolvimento Energético) – Núcleo de Desenvolvimento Amazônico em Engenharia, Universidade Federal do Pará, Tucuruí, 2024. Disponível em: . Acesso em: https://repositorio.ufpa.br/jspui/handle/2011/17437.pt_BR
dc.identifier.urihttps://repositorio.ufpa.br/jspui/handle/2011/17437-
dc.description.abstractMonitoring low-speed bearings with vibration analysis is more challenging due to the low energy level of the vibration signal that carries the failure data, making it more susceptible to interference from other sources, impairing the interpretation of information. Thus, an alternative is to calculate signal predictors that may be sensitive to pattern changes relative to failure onset and progression. Hence, the present work extracted different types of features, among them two nonlinear features and eleven extracted from the signal in the time domain. Those features were ranked and selected based on their sensibility to class differentiation, which was estimated using the t-Welch statistic value. Among them is the Largest Lyapunov Exponent, which, in this work, had a modification in one of its calculation steps, improving its sensitivity in some cases. In addition, the influence of the vibration signal window size on the class separability of the indicators was evaluated (which is a scarce content in low-speed bearing monitoring literature). After feature selection, the data were subjected to a linear transformation through PCA (Principal Component Analysis), aiming to reduce the data dimensionality to three dimensions and to minimize the redundancy effects of highly correlated features. In sequence, the data represented in the space of principal components were projected on a Hotelling T2 statistic control chart. The chart allowed the detection and rejection of potential outliers, which consisted of points above a limit line estimated based on F statistic distribution. Finally, binary and multiclass Support Vector Machine classification models were trained with experimental data acquired from normal conditions and three levels of incipient fault in bearing. The models performed well, mainly the binary model with test data obtained from belt conveyor pulley bearings in industrial operation.pt_BR
dc.description.provenanceSubmitted by Tiago Silva (tiago.silva@tucurui.ufpa.br) on 2025-05-29T12:12:13Z No. of bitstreams: 2 Dissertacao_PropostaMetodologiaDiagnostico.pdf: 2474056 bytes, checksum: 657ff9e6d2adf950d15d5ac7c1e1a6d2 (MD5) license_rdf: 811 bytes, checksum: e39d27027a6cc9cb039ad269a5db8e34 (MD5)en
dc.description.provenanceApproved for entry into archive by Mayara Menezes (mayara@ufpa.br) on 2025-05-29T13:55:08Z (GMT) No. of bitstreams: 2 Dissertacao_PropostaMetodologiaDiagnostico.pdf: 2474056 bytes, checksum: 657ff9e6d2adf950d15d5ac7c1e1a6d2 (MD5) license_rdf: 811 bytes, checksum: e39d27027a6cc9cb039ad269a5db8e34 (MD5)en
dc.description.provenanceMade available in DSpace on 2025-05-29T13:55:08Z (GMT). No. of bitstreams: 2 Dissertacao_PropostaMetodologiaDiagnostico.pdf: 2474056 bytes, checksum: 657ff9e6d2adf950d15d5ac7c1e1a6d2 (MD5) license_rdf: 811 bytes, checksum: e39d27027a6cc9cb039ad269a5db8e34 (MD5) Previous issue date: 2024-04-19en
dc.description.sponsorshipDynamox S.A.-
dc.languageporpt_BR
dc.publisherUniversidade Federal do Parápt_BR
dc.rightsAcesso Abertopt_BR
dc.rights.urihttp://creativecommons.org/licenses/by-nc-nd/3.0/br/*
dc.source.uriDisponível na internet via Sagittapt_BR
dc.subjectVibraçãopt_BR
dc.subjectRolamento de baixa rotaçãopt_BR
dc.subjectDiagnóstico de falhapt_BR
dc.subjectSeleção de featurespt_BR
dc.subjectAprendizagem de máquinapt_BR
dc.subjectMáximo expoente de Lyapunovpt_BR
dc.subjectVibrationpt_BR
dc.subjectLow-speed bearingpt_BR
dc.subjectFault diagnosispt_BR
dc.subjectFeature selectionpt_BR
dc.subjectMachine learningpt_BR
dc.subjectLargest Lyapunov exponentpt_BR
dc.titleProposta de metodologia para diagnóstico de falha em rolamentos de baixa velocidadept_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::ENGENHARIAS::ENGENHARIA MECANICA::PROJETOS DE MAQUINAS::ESTATICA E DINAMICA APLICADApt_BR
dc.contributor.advisor1MESQUITA, Alexandre Luiz Amarante-
dc.contributor.advisor1Latteshttp://lattes.cnpq.br/3605920981600245pt_BR
dc.creator.Latteshttp://lattes.cnpq.br/2617134540357756pt_BR
dc.description.resumoO 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.pt_BR
dc.publisher.programPrograma de Pós-Graduação em Engenharia de Infraestrutura e Desenvolvimento Energéticopt_BR
dc.subject.linhadepesquisaTECNOLOGIA E MEIO AMBIENTEpt_BR
dc.subject.areadeconcentracaoTECNOLOGIAS SUSTENTÁVEISpt_BR
dc.description.affiliationDynamox S.A.pt_BR
dc.creator.ORCIDhttps://orcid.org/0009-0001-4326-5151pt_BR
dc.contributor.advisor1ORCIDhttps://orcid.org/0000-0001-5605-8381pt_BR
Aparece nas coleções:Dissertações em Engenharia de Infraestrutura e Desenvolvimento Energético (Mestrado) - PPGINDE/NDAE/Tucuruí

Arquivos associados a este item:
Arquivo Descrição TamanhoFormato 
Dissertacao_PropostaMetodologiaDiagnostico.pdf2,42 MBAdobe PDFVisualizar/Abrir


Este item está licenciado sob uma Licença Creative Commons Creative Commons