Programa de Pós-Graduação em Engenharia Mecatrônica
URI Permanente desta comunidadehttps://repositorio.ufrn.br/handle/123456789/20697
Navegar
Navegando Programa de Pós-Graduação em Engenharia Mecatrônica por Assunto "aprendizado de máquinas."
Agora exibindo 1 - 1 de 1
- Resultados por página
- Opções de Ordenação
Dissertação Detecção e diagnóstico de falhas em rolamentos, sob diferentes cargas e velocidades, utilizando Redes Neurais Convolucionais(Universidade Federal do Rio Grande do Norte, 2023-07-26) Santos, Wallisson Fernandes Martins Dos; Araújo, Fabio Meneghetti Ugulino de; http://lattes.cnpq.br/5473196176458886; http://lattes.cnpq.br/7568896291213674; Dorea, Carlos Eduardo Trabuco; https://orcid.org/0000-0002-3999-2874; http://lattes.cnpq.br/0143490577842914; Vale, Marcelo Roberto Bastos Guerra; https://orcid.org/0000-0002-9917-6166; http://lattes.cnpq.br/5510574256894005; Alsina, Pablo Javier; https://orcid.org/0000-0002-2882-5237; http://lattes.cnpq.br/3653597363789712Com o aumento da complexidade e dos custos dos sistemas industriais, medidas de gestão que visam impedir ou mitigar a perda de confiabilidade, diminuição da produtividade e riscos de segurança, provocados por anormalidades de processo e falhas de componentes, tornam-se cada vez mais importantes. Nesse contexto, a Inteligência Artificial (IA) vem se consolidando como um meio eficaz e desafiador no processo de monitoramento, detecção e diagnóstico de falhas em equipamentos e sistemas industriais. Dentre os equipamentos, que são frequentemente objeto de estudos, destacam-se os rolamentos, que são componentes mecânicos críticos das máquinas rotativas. O monitoramento de vibração é a técnica mais amplamente utilizada para detectar, localizar e distinguir falhas em rolamentos. Diante do desempenho eficiente e crescente das técnicas IA e da importância dos rolamentos nos processos industriais, este trabalho implementa uma Rede Neural Convolucional (CNN) para detecção e diagnóstico de falhas em rolamentos, sob diferentes cargas e velocidades no motor e diferentes tipos e profundidade de falhas no rolamento. Para o desenvolvimento da abordagem proposta, foi utilizado o banco de dados de ensaios em rolamentos da Case Western Reserve University (CWRU). Os sinais de vibração brutos foram pré-processados através da Transformada Wavelet Continua (TWC) e convertidos em imagens, as quais foram alimentadas diretamente na estrutura CNN desenvolvida. Quando comparado com outros métodos baseados em CNN que utilizaram o mesmo banco de dados, a abordagem proposta demonstrou superioridade ou foi pelo menos tão bem- sucedido quanto, atingindo uma precisão de 97,7% quando testado com arquivos em condições operacionais diferentes das condições de treinamento.