Análise da vida residual e manutenção em compressor de alta pressão de uma turbina de uso aeronáutico

Registro completo de metadados
MetadadosDescriçãoIdioma
Autor(es): dc.contributorOliveira, Helton Luiz Santana-
Autor(es): dc.contributorLima, Gilson Brito Alves-
Autor(es): dc.contributorHecksher, Suzana Dantas-
Autor(es): dc.creatorRibeiro, Carlos Felipe Silva-
Data de aceite: dc.date.accessioned2025-08-21T20:10:14Z-
Data de disponibilização: dc.date.available2025-08-21T20:10:14Z-
Data de envio: dc.date.issued2025-02-11-
Data de envio: dc.date.issued2025-02-11-
Fonte completa do material: dc.identifierhttps://app.uff.br/riuff/handle/1/36509-
Fonte: dc.identifier.urihttp://educapes.capes.gov.br/handle/capes/1055867-
Descrição: dc.descriptionOs avanços no campo da engenharia e tecnologia possibilitaram a ascensão da abordagem de manutenção preditiva dentro das empresas. A manutenção preditiva difere de abordagens anteriores pois possibilita planos de ação antes da ocorrência das falhas, contribuindo para a gestão de manutenção. A gestão de motores aeronáuticos desempenha um papel central na segurança operacional, eficiência econômica e experiência dos passageiros. O presente trabalho analisou o uso de algoritmos de machine learning na predição de vida útil restante (RUL) de compressores de alta pressão em motores turbofan, utilizando dados simulados que refletem condições reais de operação. O estudo conduzido foi capaz de validar a eficácia da abordagem de predição de vida útil restante no conjunto de dados do CMAPSS Jet Engine Simulated Data. De forma complementar, a análise de importância de variáveis ajudou a destacar e entalpia de ar sangrado como variável crítica do problema, enquanto o K-Means foi essencial para identificar limiares que direcionam ações preventivas e corretivas. Por fim, este estudo foi capaz de demonstrar como a integração de técnicas de machine learning na manutenção preditiva podem ter impacto positivo no setor aeronáutico.-
Descrição: dc.descriptionAdvances in engineering and technology have enabled the rise of the predictive maintenance approach within companies. Predictive maintenance differs from previous approaches because it enables action plans before failures occur, contributing to maintenance management. Aircraft engine management plays a central role in operational safety, economic efficiency, and passenger experience. This work analyzed the use of machine learning algorithms in the prediction of remaining useful life (RUL) of high-pressure compressors in turbofan engines, using simulated data that reflect real operating conditions. The study conducted was able to validate the effectiveness of the remaining useful life prediction approach in the CMAPSS Jet Engine Simulated Data dataset. In addition, the analysis of variable importance helped to highlight bleed enthalpy as a critical variable of the problem, while K-Means was essential to identify thresholds that direct preventive and corrective actions. Finally, this study was able to demonstrate how the integration of machine learning techniques in predictive maintenance can have a positive impact on the aeronautical sector.-
Descrição: dc.description71 f.-
Formato: dc.formatapplication/pdf-
Idioma: dc.languagept_BR-
Direitos: dc.rightsOpen Access-
Direitos: dc.rightsCC-BY-SA-
Palavras-chave: dc.subjectManutenção preditiva-
Palavras-chave: dc.subjectVida residual-
Palavras-chave: dc.subjectManutenção aeronáutica-
Palavras-chave: dc.subjectAprendizado de máquina-
Palavras-chave: dc.subjectCompressor-
Palavras-chave: dc.subjectCiclo de vida do produto-
Palavras-chave: dc.subjectPredictive maintenance-
Palavras-chave: dc.subjectResidual life-
Palavras-chave: dc.subjectMachine learning-
Título: dc.titleAnálise da vida residual e manutenção em compressor de alta pressão de uma turbina de uso aeronáutico-
Tipo de arquivo: dc.typeTrabalho de conclusão de curso-
Aparece nas coleções:Repositório Institucional da Universidade Federal Fluminense - RiUFF

Não existem arquivos associados a este item.