Detecção de falhas em máquinas rotativas aplicando técnicas de aprendizado de máquina.

Registro completo de metadados
MetadadosDescriçãoIdioma
Autor(es): dc.contributorGuerra, Gabriel Mario-
Autor(es): dc.contributorPacheco, César Cunha-
Autor(es): dc.contributorPassos, Leandro da Silva-
Autor(es): dc.creatorMachado, Amadeus Penna Firme-
Autor(es): dc.creatorVaz, Daniel Abib Corrêa Lima-
Data de aceite: dc.date.accessioned2024-07-11T17:44:27Z-
Data de disponibilização: dc.date.available2024-07-11T17:44:27Z-
Data de envio: dc.date.issued2022-07-05-
Data de envio: dc.date.issued2022-07-05-
Data de envio: dc.date.issued2021-
Fonte completa do material: dc.identifierhttp://app.uff.br/riuff/handle/1/25559-
Fonte: dc.identifier.urihttp://educapes.capes.gov.br/handle/capes/756541-
Descrição: dc.descriptionPara atender crescente demanda gerada pela globalização e à necessidade permanente na indústria de reduzir custos e maximizar produtividade, novas metodologias de análise e prevenção de falhas têm sido desenvolvidas. Nesse sentido, minimizar o risco de parar a produção por falhas operacionais que poderiam ser evitadas é de extrema relevância e leva à necessidade de explorar novas ferramentas para a planificação da manutenção das máquinas. Graças aos constantes avanços tecnológicos nas últimas décadas, a capacidade de trabalho e processamento computacional de dados aumentou exponencialmente nos mais diversos campos de pesquisa; na análise e prevenção de falhas, não foi diferente. A aplicação de novas ferramentas, como o aprendizado de máquina no tratamento de dados provenientes do monitoramento de máquinas industriais, visa a automatizar, acelerar e melhorar todo o processo de identificação, avaliação e prevenção de falhas. Este trabalho testa dois algoritmos de aprendizado de máquina, KNN e LSTM, a fim de avaliar suas capacidades de identificação de falhas em rolamentos. Para isso, será utilizada uma base de dados de sinais provenientes de rolamentos com diferentes graus de falha e condições operativas.-
Descrição: dc.descriptionTo attend growing globalization process and the industry demands to reduce cost and maximize productivity, new analysis and predict methodologies keep growing. In this way, to minimize the stopping risk of the production is extremely relevant and brings up the usual need to explore new tools for maintenance planning. The computer work and processing capacity increased exponentially on many research fields, which includes flaw analysis and prevention filed. The application of those news tools, as machine learning in monitoring data treatment from industry’s machinery, is an attempt to automate, accelerate and improve the process to identify, rate and prevent flaws. This work has the goal to test two machine learning algorithms, KNN and LSTM, as a bearing failure detection tool. A database from bearing signals with different scales of failure and operate conditions was used.-
Descrição: dc.description61 p.-
Formato: dc.formatapplication/pdf-
Idioma: dc.languagept_BR-
Direitos: dc.rightsOpen Access-
Direitos: dc.rightsCC-BY-SA-
Palavras-chave: dc.subjectManutenção-
Palavras-chave: dc.subjectPrevenção-
Palavras-chave: dc.subjectAprendizado de máquina-
Palavras-chave: dc.subjectAprendizado de máquina-
Palavras-chave: dc.subjectManutenção-
Palavras-chave: dc.subjectDetecção de falhas-
Palavras-chave: dc.subjectMaintenance-
Palavras-chave: dc.subjectPrevention-
Palavras-chave: dc.subjectMachine learning-
Título: dc.titleDetecção de falhas em máquinas rotativas aplicando técnicas de aprendizado de máquina.-
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.