Manutenção Preditiva em Turbinas a Gás Aeroderivadas Utilizando Redes Neurais Artificiais
Ano de defesa: | 2003 |
---|---|
Autor(a) principal: | |
Orientador(a): | |
Banca de defesa: | |
Tipo de documento: | Dissertação |
Tipo de acesso: | Acesso aberto |
Idioma: | por |
Instituição de defesa: |
Programa de Pós-graduação em Engenharia Mecânica
Engenharia Mecânica |
Programa de Pós-Graduação: |
Não Informado pela instituição
|
Departamento: |
Não Informado pela instituição
|
País: |
Não Informado pela instituição
|
Palavras-chave em Português: | |
Link de acesso: | https://app.uff.br/riuff/handle/1/19806 |
Resumo: | A manutenção preditiva, conhecida também como manutenção orientada por condição, se baseia no monitoramento de grandezas indicativas de falhas, informando as condições de operação das máquinas, sendo a medição da vibração produzida uma das formas mais utilizadas para identificar e avaliar o potencial de dano de um defeito. Esta técnica permite a otimização e redução das interrupções dos sistemas produtivos, contribuindo por conseguinte para melhorar produtividade destes. Um sistema efetivo de monitoramento deve ser capaz de detectar falhas em máquinas em um estágio incipiente, antes que as mesmas atinjam um estágio avançado e comprometam ou provoquem paradas inesperadas do equipamento. Deve também ser projetado para medir e acompanhar a evolução das falhas e monitorar as variáveis de interesse no controle das condições de máquinas e equipamentos. Desta forma novos métodos têm sido desenvolvidos e aplicados à manutenção preventiva, dos quais um dos mais recentes é a aplicação de Redes Neurais Artificiais. Estas são capazes de extrair conhecimento de um conjunto de dados históricos ou simulados que representam um certo problema, mostrando-se satisfatoriamente eficazes no reconhecimento de alterações dos padrões, no monitoramento e diagnóstico das falhas em máquinas e equipamentos, mesmo quando os sinais de entrada são acompanhado de ruídos ou apresentam dados incompletos ou esparsos. Podem também responder em tempo real às mudanças nas condições dos sistemas baseados nos dados de vibração medidos a partir de entradas contínuas produzidas por seus sensores. Assim, neste trabalho, investigou-se a aplicação de redes neurais na interpretação de sinais de vibrações de uma turbina a gás aeroderivada a partir de uma massa de dados simulados, de modo a obter-se um diagnóstico preciso quanto às falhas, objetivando uma manutenção preditiva eficiente. Foi utilizada uma rede Perceptron de múltiplas camadas com aprendizado supervisionado, empregando o algoritmo Backpropagation. Após o treinamento, este modelo neural mostrou-se capaz de detectar e identificar defeitos usuais neste tipo de equipamento, tendo como variáveis de entrada padrões referentes às amplitudes observadas em espectros de vibração. O desempenho da rede foi testado e avaliado através de padrões não utilizados no treinamento. |
id |
UFF-2_2091234f79d5c6cc0ef42a969d1dc5c4 |
---|---|
oai_identifier_str |
oai:app.uff.br:1/19806 |
network_acronym_str |
UFF-2 |
network_name_str |
Repositório Institucional da Universidade Federal Fluminense (RIUFF) |
repository_id_str |
|
spelling |
Manutenção Preditiva em Turbinas a Gás Aeroderivadas Utilizando Redes Neurais ArtificiaisTurbinas a gásRede neural artificialManutenção preditivaMonitoramento em turbinas a gásCNPQ::ENGENHARIAS::ENGENHARIA MECANICAA manutenção preditiva, conhecida também como manutenção orientada por condição, se baseia no monitoramento de grandezas indicativas de falhas, informando as condições de operação das máquinas, sendo a medição da vibração produzida uma das formas mais utilizadas para identificar e avaliar o potencial de dano de um defeito. Esta técnica permite a otimização e redução das interrupções dos sistemas produtivos, contribuindo por conseguinte para melhorar produtividade destes. Um sistema efetivo de monitoramento deve ser capaz de detectar falhas em máquinas em um estágio incipiente, antes que as mesmas atinjam um estágio avançado e comprometam ou provoquem paradas inesperadas do equipamento. Deve também ser projetado para medir e acompanhar a evolução das falhas e monitorar as variáveis de interesse no controle das condições de máquinas e equipamentos. Desta forma novos métodos têm sido desenvolvidos e aplicados à manutenção preventiva, dos quais um dos mais recentes é a aplicação de Redes Neurais Artificiais. Estas são capazes de extrair conhecimento de um conjunto de dados históricos ou simulados que representam um certo problema, mostrando-se satisfatoriamente eficazes no reconhecimento de alterações dos padrões, no monitoramento e diagnóstico das falhas em máquinas e equipamentos, mesmo quando os sinais de entrada são acompanhado de ruídos ou apresentam dados incompletos ou esparsos. Podem também responder em tempo real às mudanças nas condições dos sistemas baseados nos dados de vibração medidos a partir de entradas contínuas produzidas por seus sensores. Assim, neste trabalho, investigou-se a aplicação de redes neurais na interpretação de sinais de vibrações de uma turbina a gás aeroderivada a partir de uma massa de dados simulados, de modo a obter-se um diagnóstico preciso quanto às falhas, objetivando uma manutenção preditiva eficiente. Foi utilizada uma rede Perceptron de múltiplas camadas com aprendizado supervisionado, empregando o algoritmo Backpropagation. Após o treinamento, este modelo neural mostrou-se capaz de detectar e identificar defeitos usuais neste tipo de equipamento, tendo como variáveis de entrada padrões referentes às amplitudes observadas em espectros de vibração. O desempenho da rede foi testado e avaliado através de padrões não utilizados no treinamento.Programa de Pós-graduação em Engenharia MecânicaEngenharia MecânicaNoronha, Roberto Firmento deCPF:34345432222http://buscatextual.cnpq.br/buscatextual/visualizacv.do?id=K4781046D5Gama, Antonio LopesCPF:00121133222http://buscatextual.cnpq.br/buscatextual/visualizacv.do?id=K4721115Z8Souza, Julio Cesar Stacchini deCPF:00787867222http://buscatextual.cnpq.br/buscatextual/visualizacv.do?id=K4723226Y3Pacheco, Marco Aurélio CavalcantiCPF:00870090822http://buscatextual.cnpq.br/buscatextual/visualizacv.do?id=K4781263D5Gabriel, Casimiro JoséCPF:00980877622http://buscatextual.cnpq.br/buscatextual/visualizacv.do?id=K4121470P1Ferreira, Edson Luiz CataldoCPF:01020065422http://buscatextual.cnpq.br/buscatextual/visualizacv.do?id=K4707512Z1Lima, Carlos Soriano de2021-03-10T20:48:27Z2006-09-112021-03-10T20:48:27Z2003-02-11info:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisapplication/pdfhttps://app.uff.br/riuff/handle/1/19806porCC-BY-SAinfo:eu-repo/semantics/openAccessreponame:Repositório Institucional da Universidade Federal Fluminense (RIUFF)instname:Universidade Federal Fluminense (UFF)instacron:UFF2021-03-10T20:48:27Zoai:app.uff.br:1/19806Repositório InstitucionalPUBhttps://app.uff.br/oai/requestriuff@id.uff.bropendoar:21202021-03-10T20:48:27Repositório Institucional da Universidade Federal Fluminense (RIUFF) - Universidade Federal Fluminense (UFF)false |
dc.title.none.fl_str_mv |
Manutenção Preditiva em Turbinas a Gás Aeroderivadas Utilizando Redes Neurais Artificiais |
title |
Manutenção Preditiva em Turbinas a Gás Aeroderivadas Utilizando Redes Neurais Artificiais |
spellingShingle |
Manutenção Preditiva em Turbinas a Gás Aeroderivadas Utilizando Redes Neurais Artificiais Lima, Carlos Soriano de Turbinas a gás Rede neural artificial Manutenção preditiva Monitoramento em turbinas a gás CNPQ::ENGENHARIAS::ENGENHARIA MECANICA |
title_short |
Manutenção Preditiva em Turbinas a Gás Aeroderivadas Utilizando Redes Neurais Artificiais |
title_full |
Manutenção Preditiva em Turbinas a Gás Aeroderivadas Utilizando Redes Neurais Artificiais |
title_fullStr |
Manutenção Preditiva em Turbinas a Gás Aeroderivadas Utilizando Redes Neurais Artificiais |
title_full_unstemmed |
Manutenção Preditiva em Turbinas a Gás Aeroderivadas Utilizando Redes Neurais Artificiais |
title_sort |
Manutenção Preditiva em Turbinas a Gás Aeroderivadas Utilizando Redes Neurais Artificiais |
author |
Lima, Carlos Soriano de |
author_facet |
Lima, Carlos Soriano de |
author_role |
author |
dc.contributor.none.fl_str_mv |
Noronha, Roberto Firmento de CPF:34345432222 http://buscatextual.cnpq.br/buscatextual/visualizacv.do?id=K4781046D5 Gama, Antonio Lopes CPF:00121133222 http://buscatextual.cnpq.br/buscatextual/visualizacv.do?id=K4721115Z8 Souza, Julio Cesar Stacchini de CPF:00787867222 http://buscatextual.cnpq.br/buscatextual/visualizacv.do?id=K4723226Y3 Pacheco, Marco Aurélio Cavalcanti CPF:00870090822 http://buscatextual.cnpq.br/buscatextual/visualizacv.do?id=K4781263D5 Gabriel, Casimiro José CPF:00980877622 http://buscatextual.cnpq.br/buscatextual/visualizacv.do?id=K4121470P1 Ferreira, Edson Luiz Cataldo CPF:01020065422 http://buscatextual.cnpq.br/buscatextual/visualizacv.do?id=K4707512Z1 |
dc.contributor.author.fl_str_mv |
Lima, Carlos Soriano de |
dc.subject.por.fl_str_mv |
Turbinas a gás Rede neural artificial Manutenção preditiva Monitoramento em turbinas a gás CNPQ::ENGENHARIAS::ENGENHARIA MECANICA |
topic |
Turbinas a gás Rede neural artificial Manutenção preditiva Monitoramento em turbinas a gás CNPQ::ENGENHARIAS::ENGENHARIA MECANICA |
description |
A manutenção preditiva, conhecida também como manutenção orientada por condição, se baseia no monitoramento de grandezas indicativas de falhas, informando as condições de operação das máquinas, sendo a medição da vibração produzida uma das formas mais utilizadas para identificar e avaliar o potencial de dano de um defeito. Esta técnica permite a otimização e redução das interrupções dos sistemas produtivos, contribuindo por conseguinte para melhorar produtividade destes. Um sistema efetivo de monitoramento deve ser capaz de detectar falhas em máquinas em um estágio incipiente, antes que as mesmas atinjam um estágio avançado e comprometam ou provoquem paradas inesperadas do equipamento. Deve também ser projetado para medir e acompanhar a evolução das falhas e monitorar as variáveis de interesse no controle das condições de máquinas e equipamentos. Desta forma novos métodos têm sido desenvolvidos e aplicados à manutenção preventiva, dos quais um dos mais recentes é a aplicação de Redes Neurais Artificiais. Estas são capazes de extrair conhecimento de um conjunto de dados históricos ou simulados que representam um certo problema, mostrando-se satisfatoriamente eficazes no reconhecimento de alterações dos padrões, no monitoramento e diagnóstico das falhas em máquinas e equipamentos, mesmo quando os sinais de entrada são acompanhado de ruídos ou apresentam dados incompletos ou esparsos. Podem também responder em tempo real às mudanças nas condições dos sistemas baseados nos dados de vibração medidos a partir de entradas contínuas produzidas por seus sensores. Assim, neste trabalho, investigou-se a aplicação de redes neurais na interpretação de sinais de vibrações de uma turbina a gás aeroderivada a partir de uma massa de dados simulados, de modo a obter-se um diagnóstico preciso quanto às falhas, objetivando uma manutenção preditiva eficiente. Foi utilizada uma rede Perceptron de múltiplas camadas com aprendizado supervisionado, empregando o algoritmo Backpropagation. Após o treinamento, este modelo neural mostrou-se capaz de detectar e identificar defeitos usuais neste tipo de equipamento, tendo como variáveis de entrada padrões referentes às amplitudes observadas em espectros de vibração. O desempenho da rede foi testado e avaliado através de padrões não utilizados no treinamento. |
publishDate |
2003 |
dc.date.none.fl_str_mv |
2003-02-11 2006-09-11 2021-03-10T20:48:27Z 2021-03-10T20:48:27Z |
dc.type.status.fl_str_mv |
info:eu-repo/semantics/publishedVersion |
dc.type.driver.fl_str_mv |
info:eu-repo/semantics/masterThesis |
format |
masterThesis |
status_str |
publishedVersion |
dc.identifier.uri.fl_str_mv |
https://app.uff.br/riuff/handle/1/19806 |
url |
https://app.uff.br/riuff/handle/1/19806 |
dc.language.iso.fl_str_mv |
por |
language |
por |
dc.rights.driver.fl_str_mv |
CC-BY-SA info:eu-repo/semantics/openAccess |
rights_invalid_str_mv |
CC-BY-SA |
eu_rights_str_mv |
openAccess |
dc.format.none.fl_str_mv |
application/pdf |
dc.publisher.none.fl_str_mv |
Programa de Pós-graduação em Engenharia Mecânica Engenharia Mecânica |
publisher.none.fl_str_mv |
Programa de Pós-graduação em Engenharia Mecânica Engenharia Mecânica |
dc.source.none.fl_str_mv |
reponame:Repositório Institucional da Universidade Federal Fluminense (RIUFF) instname:Universidade Federal Fluminense (UFF) instacron:UFF |
instname_str |
Universidade Federal Fluminense (UFF) |
instacron_str |
UFF |
institution |
UFF |
reponame_str |
Repositório Institucional da Universidade Federal Fluminense (RIUFF) |
collection |
Repositório Institucional da Universidade Federal Fluminense (RIUFF) |
repository.name.fl_str_mv |
Repositório Institucional da Universidade Federal Fluminense (RIUFF) - Universidade Federal Fluminense (UFF) |
repository.mail.fl_str_mv |
riuff@id.uff.br |
_version_ |
1797038169936363520 |