Please use this identifier to cite or link to this item: https://repositorio.ufrn.br/handle/123456789/22518
Full metadata record
DC FieldValueLanguage
dc.contributor.advisorMatamoros, Efrain Pantaleon-
dc.contributor.authorCabral, Marco Antonio Leandro-
dc.date.accessioned2017-03-29T19:12:55Z-
dc.date.available2017-03-29T19:12:55Z-
dc.date.issued2017-01-17-
dc.identifier.citationCABRAL, Marco Antonio Leandro. Classificação automatizada de falhas tribológicas de sistemas alternativos com o uso de redes neurais artificiais não supervisionadas. 2017. 140f. Tese (Doutorado em Engenharia Mecânica) - Centro de Tecnologia, Universidade Federal do Rio Grande do Norte, Natal, 2017.pt_BR
dc.identifier.urihttps://repositorio.ufrn.br/jspui/handle/123456789/22518-
dc.description.abstractPreventing, anticipating, avoiding failures in electromechanical systems are demands that have challenged researchers and engineering professionals for decades. Electromechanical systems present tribological processes that result in fatigue of materials and consequent loss of efficiency or even usefulness of machines and equipment. Several techniques are used in an attempt to minimize the inherent losses of these systems through the analysis of signals from the equipment studied and the consequences of these wastes at unexpected moments, such as an aircraft in flight or a drilling rig in an oil well. Among them we can mention vibration analysis, acoustic pressure measurement, temperature monitoring, particle analysis of lubricating oil etc. However, electromechanical systems are complex and may exhibit unexpected behavior. Reliability-centric maintenance requires ever faster, more efficient and robust technological resources to ensure its efficiency and effectiveness. Failure Mode Effect Analysis (FMEA) techniques in equipment are used to increase the reliability of preventive and predictive maintenance system. Artificial neural networks (ANNs) are computational tools that find applicability in several segments of the research and signal analysis, where it is necessary to handle large amounts of data, associating statistics and computation in the optimization of dynamic processes and a high degree of reliability. They are artificial intelligence systems that have the ability to learn, are robust to failures, and can deliver realtime results. This work aims at the use of artificial neural networks to treat signals from the monitoring of tribological parameters through the use of a test bench to simulate contact failures in an air compressor in order to create an automated fault detection and classification system, unsupervised, with the use of self-organized maps, or SOM, applied to the preventive and predictive maintenance of electromechanical processes.pt_BR
dc.languageporpt_BR
dc.rightsAcesso Abertopt_BR
dc.subjectTribologiapt_BR
dc.subjectDesgastept_BR
dc.subjectSistemas eletromecânicospt_BR
dc.subjectManutençãopt_BR
dc.subjectAnálise de sinaispt_BR
dc.subjectRedes neurais artificiaispt_BR
dc.subjectMapas de Kohonenpt_BR
dc.subjectSegmentação de imagenspt_BR
dc.subjectFMEApt_BR
dc.subjectConfiabilidadept_BR
dc.titleClassificação automatizada de falhas tribológicas de sistemas alternativos com o uso de redes neurais artificiais não supervisionadaspt_BR
dc.typedoctoralThesispt_BR
dc.publisher.countryBrasilpt_BR
dc.publisher.initialsUFRNpt_BR
dc.publisher.programPROGRAMA DE PÓS-GRADUAÇÃO EM ENGENHARIA MECÂNICApt_BR
dc.contributor.authorIDpt_BR
dc.contributor.authorLatteshttp://lattes.cnpq.br/5534453101318814-
dc.contributor.advisorIDpt_BR
dc.contributor.advisorLatteshttp://lattes.cnpq.br/5336356193599447-
dc.contributor.advisor-co1Costa, José Alfredo Ferreira-
dc.contributor.advisor-co1IDpt_BR
dc.contributor.advisor-co1Latteshttp://lattes.cnpq.br/9745845064013172-
dc.contributor.referees1Viana, Herbert Ricardo Garcia-
dc.contributor.referees1IDpt_BR
dc.contributor.referees1Latteshttp://lattes.cnpq.br/4617469809005234-
dc.contributor.referees2Silva, João Bosco da-
dc.contributor.referees2IDpt_BR
dc.contributor.referees2Latteshttp://lattes.cnpq.br/3305848313356239-
dc.contributor.referees3Paiva, José Alvaro de-
dc.contributor.referees3IDpt_BR
dc.contributor.referees3Latteshttp://lattes.cnpq.br/6136888701626547-
dc.contributor.referees4Morais, Antonio Higor Freire de-
dc.contributor.referees4IDpt_BR
dc.contributor.referees4Latteshttp://lattes.cnpq.br/7568055799308361-
dc.contributor.referees5Oliveira, Adelci Menezes de-
dc.contributor.referees5IDpt_BR
dc.contributor.referees5Latteshttp://lattes.cnpq.br/7673440916658787-
dc.description.resumoPrevenir, antever, evitar falhas em sistemas eletromecânicos são demandas que desafiam pesquisadores e profissionais de engenharia a décadas. Sistemas eletromecânicos apresentam processos tribológicos que resultam em fadiga de materiais e consequente perda de eficiência ou mesmo de utilidade de máquinas e equipamentos. Diversas técnicas são utilizadas na tentativa de, através da análise de sinais oriundos dos equipamentos estudados, que seja possível a minimização das perdas inerentes àqueles sistemas e as consequências desses desgastes em momentos não esperados, como uma aeronave em voo ou uma perfuratriz em um poço de petróleo. Dentre elas podemos citar a análise de vibração, medição da pressão acústica, monitoramento de temperatura, análise de partículas de óleo lubrificante etc. Entretanto sistemas eletromecânicos são complexos e podem apresentar comportamentos inesperados. A manutenção centrada na confiabilidade necessita de recursos tecnológicos cada vez mais rápidos, eficientes e robustos para garantir sua eficiência e eficácia. Técnicas de análise de efeitos e modos de falha (FMEA – Failure Mode Effect Analysis) em equipamentos são utilizadas para aumentar a confiabilidade dos sistemas de manutenção preventiva e preditiva. As redes neurais artificiais (RNA) são ferramentas computacionais que encontram aplicabilidade em diversos segmentos da pesquisa e análise de sinais, onde há necessidade do manuseio de grandes quantidades de dados, associando estatística e computação na otimização de processos dinâmicos e um alto grau de confiabilidade. São sistemas de inteligência artificial que têm capacidade de aprender, são robustas a falhas e podem apresentar resultados em tempo real. Este trabalho tem como objetivo a utilização de redes neurais artificiais para tratar sinais provenientes da monitoração de parâmetros tribológicos através do uso de uma bancada de testes para simular falhas de contato em um compressor de ar, a fim de criar um sistema de detecção e classificação de falhas automatizado, não supervisionado, com o uso de mapas auto-organizáveis, ou redes SOM (self organizaed maps), aplicado à manutenção preventiva e preditiva de processos eletromecânicos.pt_BR
dc.subject.cnpqCNPQ::ENGENHARIAS::ENGENHARIA MECANICApt_BR
Appears in Collections:PPGEM - Doutorado em Engenharia Mecânica

Files in This Item:
File Description SizeFormat 
MarcoAntonioLeandroCabral_TESE.pdf13,27 MBAdobe PDFThumbnail
View/Open


Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.