Logo do repositório
  • Página Inicial(current)
  • Buscar
    Por Data de PublicaçãoPor AutorPor TítuloPor Assunto
  • Tutoriais
  • Documentos
  • Sobre o RI
  • Eventos
    Repositório Institucional da UFRN: 15 anos de conexão com o conhecimento
  • Padrão
  • Amarelo
  • Azul
  • Verde
  • English
  • Português do Brasil
Entrar

SIGAA

  1. Início
  2. Pesquisar por Autor

Navegando por Autor "O´Farrill-Enrique, Sandra"

Filtrar resultados informando as primeiras letras
Agora exibindo 1 - 1 de 1
  • Resultados por página
  • Opções de Ordenação
  • Carregando...
    Imagem de Miniatura
    Artigo
    Técnica de diagnóstico de falhas em motores a combustão interna utilizando aprendizagem de máquina
    (Revista Cubana de Ingeniería, 2020) Marinho, Edilson; Pinto, Antonio; Formiga, Cleiton; Matamoros, Efrain Pantaleón; Figueroa-Hernández, Carlos; O´Farrill-Enrique, Sandra; Seabra, Eurico
    O cenário industrial atual aponta o aumento da competitividade industrial, da complexidade de máquinas e equipamentos, dos custos de instalações industriais, produtos de alta demanda acrescido da preocupação com os aspectos de segurança industrial e do meio ambiente. Tal tendência induz as grandes indústrias globais a cada vez mais investirem em dispositivos, tecnologias e ferramentas estinadas a predição de falhas decorrentes de não conformidades e avarias em máquinas, equipamentos e instalações industriais. Diante desse cenário, o campo de atuação que trata da manutenção preditiva, análise de previsão e diagnóstico de falhas ganhou um lugar de destaque, além de diversos investimentos em pesquisa e desenvolvimento, principalmente com políticas voltadas a concepção da indústria 4.0. Com a abordagem da indústria 4.0 é possibilitada a análise de componentes mecânicos em regime dinâmico e resposta em tempo real, ou seja, sem a necessidade de parar a máquina, o que está diretamente relacionado a diminuição dos custos e tempo de produção. Dito isso, a presente tese tem por objetivo apresentar uma nova metodologia na detecção e monitoramento de falhas tribológicas em motores a combustão interna, por meio da aprendizagem de máquinas por métodos não supervisionados e big data, utilizando técnicas de processamento de sinais, dos dados coletados de vibração e nível de pressão sonora do motor, utilizando algoritmos baseados em redes neurais artificiais (RNA) e análise de clusters, criando um sistema inteligente capaz de detectar padrões de falhas, a partir das condições de falhas e variação de carga mecânica em motores a combustão interna ciclo Otto
Repositório Institucional - UFRN Campus Universitário Lagoa NovaCEP 59078-970 Caixa postal 1524 Natal/RN - BrasilUniversidade Federal do Rio Grande do Norte© Copyright 2025. Todos os direitos reservados.
Contato+55 (84) 3342-2260 - R232Setor de Repositórios Digitaisrepositorio@bczm.ufrn.br
DSpaceIBICT
OasisBR
LAReferencia
Customizado pela CAT - BCZM