Atenção: Todas as denúncias são sigilosas e sua identidade será preservada.
Os campos nome e e-mail são de preenchimento opcional
Metadados | Descrição | Idioma |
---|---|---|
Autor(es): dc.contributor | Meza, Edwin Benito Mitacc | - |
Autor(es): dc.contributor | Narcizo, Ramon Baptista | - |
Autor(es): dc.contributor | Amaral, Mateus Carvalho | - |
Autor(es): dc.creator | Ito, Bruno Tsuyoshi | - |
Data de aceite: dc.date.accessioned | 2024-07-11T18:37:48Z | - |
Data de disponibilização: dc.date.available | 2024-07-11T18:37:48Z | - |
Data de envio: dc.date.issued | 2023-11-09 | - |
Data de envio: dc.date.issued | 2023-11-09 | - |
Data de envio: dc.date.issued | 2021 | - |
Fonte completa do material: dc.identifier | http://app.uff.br/riuff/handle/1/31088 | - |
Fonte: dc.identifier.uri | http://educapes.capes.gov.br/handle/capes/774275 | - |
Descrição: dc.description | Com o crescimento na geração de dados as organizações vêm buscando a utilização dessas informações para adquirir vantagens competitivas seja no corte nos custos ou na melhoria da produtividade, um dos alvos a se alcançar e manter é a não parada no processo de produção. A manutenção preditiva é um tipo de manutenção que se baseia em dados de sensores para aumentar a disponibilidade das máquinas, porém, frequentemente, os dados não são triviais para uma leitura e análise. Este projeto tem por objetivo apresentar uma abordagem para identificação de falhas nos dados de operação de máquinas rotativas proveniente de sensores de vibração, baseado em aprendizado de máquina, a fim de auxiliar tomada de decisões visando a manutenção dos ativos. Para isso, foi utilizado Support Vector Machine como o modelo de aprendizado de máquina em busca da identificação de falhas. Na etapa do treinamento e teste do modelo, foram utilizados dados abertos, disponibilizados pela NASA, sendo apresentado as características temporais dos dados de forma a aplicar a técnica de Análise de Componentes Principais para extrair as variáveis sensíveis das características originais para uma otimização e aumento da precisão no processamento desta etapa. O modelo treinado foi utilizado em uma aplicação real utilizando os dados dos sensores de vibração de um rolamento da UmbreonShiny, empresa objeto de estudo, que apresentou falha. Utilizando o software MatLab durante todo o processo, foi obtido um resultado com uma precisão de 98% na identificação de falha nos dados da empresa auxiliando em uma leitura confiável das informações dos sensores para uma tomada de decisão segura. | - |
Descrição: dc.description | With the surge in data generation, organizations have been seeking for a way to use these informations in order to acquire competitive advantage whether in cutting costs or improving productivity, one of the targets to reach and maintain is to avoid stops in the production process. The predictive maintenance is a data-based maintenance that make use of sensors in order to increase machine availability, however, frequently, the data isn’t presented in a trivial way to read and analyze. This project aims to propose an approach for fault identification within the operational data from vibration sensors, based on machine learning, to assist in the decision making aiming assets maintenance. For this, Support Vector Machine was used as a machine learning model to identify faults. In the training and testing steps, open data, made available by NASA, were used, time domain features in the data are presented in a way to be able to apply Principal Component Analysis technique extracting sensitive features from the original features in order to optimize and increase precision in the processing of this step. The trained model was used in a real-world application using vibration sensors data of a bearing from UmbreonShiny, company object of study. Utilizing the software MatLab throughout the process, a 98% precision result in fault identification in the company data was obtained assisting in a reliable read of the sensors information for a safe decision making. | - |
Descrição: dc.description | 65 f. | - |
Formato: dc.format | application/pdf | - |
Idioma: dc.language | pt_BR | - |
Direitos: dc.rights | Open Access | - |
Direitos: dc.rights | CC-BY-SA | - |
Palavras-chave: dc.subject | Aprendizado de Máquina | - |
Palavras-chave: dc.subject | Análise de Componentes Principais | - |
Palavras-chave: dc.subject | Manutenção Preditiva | - |
Palavras-chave: dc.subject | Sensores de Vibração | - |
Palavras-chave: dc.subject | Máquinas de Vetores de Suporte | - |
Palavras-chave: dc.subject | Aprendizado de máquina | - |
Palavras-chave: dc.subject | Manutenção industrial | - |
Palavras-chave: dc.subject | Dados de falha | - |
Palavras-chave: dc.subject | Vibração | - |
Palavras-chave: dc.subject | Engenharia de Produção | - |
Palavras-chave: dc.subject | Machine Learning | - |
Palavras-chave: dc.subject | Principal Analyses Component | - |
Palavras-chave: dc.subject | Predictive Maintenance | - |
Palavras-chave: dc.subject | Vibration Sensors | - |
Palavras-chave: dc.subject | Support Vector Machine | - |
Título: dc.title | Construção de um modelo preditivo para identificação de falhas para manutenção de máquinas rotativas utilizando aprendizado de máquina | - |
Tipo de arquivo: dc.type | Trabalho de conclusão de curso | - |
Aparece nas coleções: | Repositório Institucional da Universidade Federal Fluminense - RiUFF |
O Portal eduCAPES é oferecido ao usuário, condicionado à aceitação dos termos, condições e avisos contidos aqui e sem modificações. A CAPES poderá modificar o conteúdo ou formato deste site ou acabar com a sua operação ou suas ferramentas a seu critério único e sem aviso prévio. Ao acessar este portal, você, usuário pessoa física ou jurídica, se declara compreender e aceitar as condições aqui estabelecidas, da seguinte forma: