Please use this identifier to cite or link to this item: https://repositorio.ufrn.br/handle/123456789/27194
Title: Técnica de diagnóstico de falhas em motores a combustão interna utilizando aprendizagem de máquina
Other Titles: Fault diagnosis technique in internal combustion engines using machine learning
Authors: Silva Júnior, Edilson Marinho da
Keywords: Tribologia;Motores a combustão interna;Aprendizagem de máquina;Redes neurais artificial;Diagnóstico de falhas
Issue Date: 23-Oct-2018
Citation: SILVA JÚNIOR, Edilson Marinho da. Técnica de diagnóstico de falhas em motores a combustão interna utilizando aprendizagem de máquina. 2018. 164f. Tese (Doutorado em Engenharia Mecânica) - Centro de Tecnologia, Universidade Federal do Rio Grande do Norte, Natal, 2018.
Portuguese Abstract: O cenário industrial moderno denota o aumento da competitividade industrial, tendo em vista a complexidade de máquinas e equipamentos – produtos de alta demanda –, os custos de instalações industriais, aliados à preocupação com aspectos de segurança industrial e meio ambiente. Essa tendência induz as grandes indústrias globais a cada vez mais investir em dispositivos, tecnologias e ferramentas destinadas à previsão e predição de falhas decorrentes de não conformidades e avarias em máquinas, equipamentos e instalações industriais. Nesse contexto, o campo de atuação que trata da manutenção preditiva, da análise de previsão e do diagnóstico de falhas ganhou lugar de destaque, além de diversos investimentos em pesquisa e desenvolvimento, principalmente com políticas voltadas à concepção da indústria 4.0. Com a abordagem da indústria 4.0, possibilita-se a análise de componentes mecânicos em regime dinâmico e respostas em tempo real, sem a necessidade de equipamento parado, o que está diretamente relacionado à diminuição dos custos e do tempo de produção. Dito isso, a presente tese tem por objetivo apresentar uma nova metodologia para a detecção e o monitoramento de falhas tribológicas em motores a combustão interna, por intermédio da aprendizagem de máquinas por métodos não supervisionados e Big Data, utilizando técnicas de processamento de sinais aliadas a algoritmos de Redes Neurais Artificiais (RNA) e análise de clusters, criando um sistema inteligente capaz de identificar padrões de falhas a partir das condições destas e da variação de carga mecânica em motores a combustão interna Ciclo Otto.
Abstract: The modern industrial scenario denotes the increase of the industrial competitiveness, due to the complexity of machines and equipment - products of high demand -, the costs of industrial installations, allied to the concern with aspects of industrial safety and environment. This trend induces large global industries to increasingly invest in devices, technologies and tools designed to previse and predict failures due to non-conformities and breakdowns in machines, equipment and industrial facilities. In this context, the field of action dealing with predictive maintenance, forecast analysis and fault diagnosis has gained prominence place, as well as several investments in research and development, mainly with policies aimed at the design of the industry 4.0. With the industry 4.0 approach, it is possible to analyze dynamic mechanical components and real-time responses without the need for stationary equipment, which is directly related to the reduction of costs and production time. The aim of this thesis is to present a new methodology for the detection and monitoring of tribological faults in internal combustion engines through the use of unsupervised learning methods and Big Data using signal processing techniques allied with to algorithms of Artificial Neural Networks (RNA) and analysis of clusters, creating an intelligent system capable of identifying fault patterns from the conditions of these and the variation of mechanical load in Otto cycle internal combustion engines.
URI: https://repositorio.ufrn.br/jspui/handle/123456789/27194
Appears in Collections:PPGEM - Doutorado em Engenharia Mecânica

Files in This Item:
File Description SizeFormat 
Técnicadiagnósticofalhas_SilvaJúnior_2018.pdf3.92 MBAdobe PDFThumbnail
View/Open


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