Estudo de técnicas de aprendizado de máquina para detecção de falhas em turbinas de avião

Registro completo de metadados
MetadadosDescriçãoIdioma
Autor(es): dc.contributorBernadá, Gabriel Mario Guerra-
Autor(es): dc.contributorDomingues, Stella Maris Pires-
Autor(es): dc.contributorMartins, Silvana de Abreu-
Autor(es): dc.contributorhttps://lattes.cnpq.br/8013602472969641-
Autor(es): dc.creatorCarvalho, Rock Nickson Ximenes-
Data de aceite: dc.date.accessioned2024-07-22T13:56:17Z-
Data de disponibilização: dc.date.available2024-07-22T13:56:17Z-
Data de envio: dc.date.issued2024-07-16-
Data de envio: dc.date.issued2024-07-16-
Fonte completa do material: dc.identifierhttps://app.uff.br/riuff/handle/1/33308-
Fonte: dc.identifier.urihttp://educapes.capes.gov.br/handle/capes/823331-
Descrição: dc.descriptionO aprendizado de máquina é um subcampo da inteligência artificial com aplicações em diversas áreas, como engenharia, finanças e entretenimento. Em particular, a tecnologia de manufatura moderna está começando a incorporar o aprendizado de máquina em todo o processo de produção onde algoritmos preditivos estão sendo usados ​​para planejar a manutenção da máquina de forma adaptativa, em vez de utilizando um cronograma fixo. Isto permite o monitoramento preditivo, com algoritmos prevendo quebras de equipamento (antes que ocorram) permitindo uma manutenção mais eficiente em tempo hábil. A manutenção preditiva aliada ao aprendizado de máquina surge como uma solução eficiente onde é possível analisar dados históricos de uso de equipamentos para prever o momento ideal para a manutenção, otimizando custos e aumentando a eficiência operacional. O presente trabalho apresenta uma revisão destas ferramentas e realiza um estudo comparativo do desempenho das mesmas aplicado a detecção de falhas numa turbina tipo turbofan a partir de dados de uma base de dados histórica de sensores do equipamento, aplicando distintos algoritmos de aprendizado e fazendo uma comparação do desempenho deles-
Descrição: dc.descriptionMachine learning is a subfield of artificial intelligence with applications in various areas such as engineering, finance, and entertainment. Modern manufacturing technology is beginning to incorporate machine learning throughout the production process, where predictive algorithms are being used to plan machine maintenance adaptively, instead of following a fixed schedule. This enables predictive monitoring, with algorithms forecasting equipment failures (before they occur) allowing for more efficient and timely maintenance. Predictive maintenance combined with machine learning emerges as an efficient solution where it is possible to analyze historical equipment usage data to predict the ideal time for maintenance, optimizing costs, and increasing operational efficiency. This study presents a review of these tools and conducts a comparative study of their performance applied to fault detection in a turbofan engine using data from a historical equipment sensor database, applying different learning algorithms and comparing their performance-
Descrição: dc.description40 f.-
Formato: dc.formatapplication/pdf-
Idioma: dc.languagept_BR-
Direitos: dc.rightsOpen Access-
Direitos: dc.rightsCC-BY-SA-
Palavras-chave: dc.subjectAprendizado de máquina-
Palavras-chave: dc.subjectManutenção preditiva-
Palavras-chave: dc.subjectAprendizado de máquina-
Palavras-chave: dc.subjectManutenção-
Palavras-chave: dc.subjectTurbina-
Palavras-chave: dc.subjectMachine learning-
Palavras-chave: dc.subjectFailure prediction-
Palavras-chave: dc.subjectTurbofan-
Título: dc.titleEstudo de técnicas de aprendizado de máquina para detecção de falhas em turbinas de avião-
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.