Manutenção preditiva por análise de vibração em motores industriais utilizando floresta randômica

Registro completo de metadados
MetadadosDescriçãoIdioma
Autor(es): dc.contributorBorges, Adriano Silva-
Autor(es): dc.contributorBorges, Adriano Silva-
Autor(es): dc.contributorFerreira, Ricardo Lopes-
Autor(es): dc.contributorFrancisco, Julio Cesar de Souza-
Autor(es): dc.creatorMagurno, Bruno Flávio-
Data de aceite: dc.date.accessioned2025-08-29T12:04:52Z-
Data de disponibilização: dc.date.available2025-08-29T12:04:52Z-
Data de envio: dc.date.issued2025-08-27-
Data de envio: dc.date.issued2025-08-27-
Data de envio: dc.date.issued2024-12-18-
Fonte completa do material: dc.identifierhttp://repositorio.utfpr.edu.br/jspui/handle/1/38039-
Fonte: dc.identifier.urihttp://educapes.capes.gov.br/handle/capes/1088626-
Descrição: dc.descriptionThis study explores the application of machine learning techniques in diagnosing faults in rota- ting machinery, which are responsible for increasing costs and reducing productivity in industrial environments. The main objective is to develop machine learning models with accuracy above 90% and compare them with each other. The data used were obtained from the Mafaulda rotating machinery fault simulator, and the predictions were made using supervised data. The data collected from experimental accelerometers were transformed from the time domain to the frequency domain using the Fast Fourier Transform (FFT). Additionally, data simplifications were performed to ensure that the available computational resources were sufficient for data processing and modeling. During the modeling process, the Principal Component Analysis (PCA) technique was applied, which increased the model's accuracy by 10.8%. Subsequently, the models Random Forest, Logistic Regression, Gradient Boosting, and Random Classification were compared, with Gradient Boosting achieving the best performance, reaching an accuracy of 95%.-
Descrição: dc.descriptionEste trabalho explora o uso de técnicas de aprendizado de máquina no diagnóstico de falhas em máquinas rotativas, as quais são responsáveis por aumentar custos e reduzir a produtividade em ambientes industriais. O objetivo principal é desenvolver modelos de aprendizado de máquina com acurácia superior a 90% e compará-los entre si. Os dados utilizados foram obtidos do simulador de falhas de máquinas rotativas Mafaulda, e as predições foram realizadas com base em dados supervisionados. Os dados coletados por acelerômetros experimentais foram transformados do domínio do tempo para o domínio da frequência por meio da Transformada Rápida de Fourier. Além disso, simplificações foram feitas nos dados para garantir que os recursos computacionais disponíveis fossem suficientes para o processamento e modelagem. Durante o processo de modelagem, foi aplicada a técnica de Análise de Componentes Principais (PCA), o que resultou em um aumento de 10,8% na acurácia do modelo. Posteriormente, foram comparados os modelos de Floresta Aleatória, Regressão Logística, Gradient Boosting e Classificação Aleatória, sendo o Gradient Boosting o que apresentou melhor desempenho, alcançando uma acurácia de 95%.-
Formato: dc.formatapplication/pdf-
Idioma: dc.languagept_BR-
Publicador: dc.publisherUniversidade Tecnológica Federal do Paraná-
Publicador: dc.publisherCornelio Procopio-
Publicador: dc.publisherBrasil-
Publicador: dc.publisherEngenharia Mecânica-
Publicador: dc.publisherUTFPR-
Direitos: dc.rightsopenAccess-
Direitos: dc.rightsAttribution-ShareAlike 4.0 International-
Direitos: dc.rightshttp://creativecommons.org/licenses/by-sa/4.0/-
Palavras-chave: dc.subjectAprendizado do computador-
Palavras-chave: dc.subjectTransformadas integrais-
Palavras-chave: dc.subjectLocalização de falhas (Engenharia)-
Palavras-chave: dc.subjectMachine learning-
Palavras-chave: dc.subjectIntegral transforms-
Palavras-chave: dc.subjectFault location (Engineering)-
Palavras-chave: dc.subjectCNPQ::ENGENHARIAS::ENGENHARIA MECANICA-
Título: dc.titleManutenção preditiva por análise de vibração em motores industriais utilizando floresta randômica-
Tipo de arquivo: dc.typelivro digital-
Aparece nas coleções:Repositorio Institucional da UTFPR - RIUT

Não existem arquivos associados a este item.