Metodologia para predizer falhas em motores de combustão interna partir de análises de óleo lubrificante

Detalhes bibliográficos
Ano de defesa: 2025
Autor(a) principal: Marini, Luka Aurora Buzato
Orientador(a): Albuquerque Neto, Cyro
Banca de defesa: Não Informado pela instituição
Tipo de documento: Dissertação
Tipo de acesso: Acesso aberto
Idioma: por
Instituição de defesa: Centro Universitário FEI, São Bernardo do Campo
Programa de Pós-Graduação: Não Informado pela instituição
Departamento: Não Informado pela instituição
País: Não Informado pela instituição
Palavras-chave em Português:
Manutenção preditiva
Motores a combustão
Análise de óleo lubrificante
Silício
Ferro
TBN
Regressão
Tribologia
Predictive maintenance
Combustion engines
Oil analysis
Silicon
Iron
Regression
Tribology
Link de acesso: https://repositorio.fei.edu.br/handle/FEI/5846
https://doi.org/10.31414/EM.2025.D.132828
Resumo: A presente pesquisa dedica-se a propor uma metodologia para predizer falhas em motores de combustão interna a partir de análises de óleo lubrificante de uma população de ativos. Para tal, analisou os resultados obtidos das análises de óleos lubrificantes aplicados em motores a combustão do ciclo Diesel, utilizados em equipamentos do agronegócio brasileiro. Por meio de técnicas estatísticas, buscou-se identificar fatores que podem levar à falha ou quebra desses motores. Foram avaliados 2.513 resultados de amostras de óleo lubrificante aplicados em motores a combustão de ciclo Diesel, os quais foram fornecidos por um laboratório especializado. As amostras foram coletadas em 15 localidades distintas, entre os anos de 2020 e 2022, abrangendo cinco modelos de equipamentos e diversos fabricantes de óleo lubrificante. Durante o estudo, foram empregadas ferramentas estatísticas desenvolvidas com o programa computacional Minitab, como correlogramas, regressões e gráficos de dispersão, com o objetivo de avaliar fatores de desgaste e propor medidas de contenção. A análise demonstrou que variáveis como a viscosidade do óleo, o teor de silício e o TBN (Número Básico Total) exercem impacto significativo sobre o desgaste dos motores. Com base nos resultados obtidos, foram recomendadas ações de contenção, como a revisão dos sistemas de admissão de ar, a implementação de rotinas mais eficientes de troca de óleo, entre outras medidas. Esta pesquisa enfatiza a importância da análise de óleo como ferramenta preditiva para a manutenção de motores. A partir da metodologia de análise da população de equipamentos, foram averiguados os principais fatores de possíveis causas de falhas e a proposição de ações preventivas
id FEI_517df51cf6e5ee17fbe2cdf803af098a
oai_identifier_str oai:repositorio.fei.edu.br:FEI/5846
network_acronym_str FEI
network_name_str Repositório do Conhecimento Institucional do Centro Universitário da Fundação Educacional Inaciana (FEI)
repository_id_str
spelling Marini, Luka Aurora BuzatoAlbuquerque Neto, Cyro2025-11-10T19:05:23Z2025MARINI, Luka Aurora Buzato. <b> Metodologia para predizer falhas em motores de combustão interna partir de análises de óleo lubrificante.</b> São Bernardo do Campo, 2025. 149 f. Dissertação (Mestrado em Engenharia Mecânica) - Centro Universitário FEI, São Bernardo do Campo, 2025. Disponível em: https://doi.org/10.31414/EM.2025.D.132828.https://repositorio.fei.edu.br/handle/FEI/5846https://doi.org/10.31414/EM.2025.D.132828A presente pesquisa dedica-se a propor uma metodologia para predizer falhas em motores de combustão interna a partir de análises de óleo lubrificante de uma população de ativos. Para tal, analisou os resultados obtidos das análises de óleos lubrificantes aplicados em motores a combustão do ciclo Diesel, utilizados em equipamentos do agronegócio brasileiro. Por meio de técnicas estatísticas, buscou-se identificar fatores que podem levar à falha ou quebra desses motores. Foram avaliados 2.513 resultados de amostras de óleo lubrificante aplicados em motores a combustão de ciclo Diesel, os quais foram fornecidos por um laboratório especializado. As amostras foram coletadas em 15 localidades distintas, entre os anos de 2020 e 2022, abrangendo cinco modelos de equipamentos e diversos fabricantes de óleo lubrificante. Durante o estudo, foram empregadas ferramentas estatísticas desenvolvidas com o programa computacional Minitab, como correlogramas, regressões e gráficos de dispersão, com o objetivo de avaliar fatores de desgaste e propor medidas de contenção. A análise demonstrou que variáveis como a viscosidade do óleo, o teor de silício e o TBN (Número Básico Total) exercem impacto significativo sobre o desgaste dos motores. Com base nos resultados obtidos, foram recomendadas ações de contenção, como a revisão dos sistemas de admissão de ar, a implementação de rotinas mais eficientes de troca de óleo, entre outras medidas. Esta pesquisa enfatiza a importância da análise de óleo como ferramenta preditiva para a manutenção de motores. A partir da metodologia de análise da população de equipamentos, foram averiguados os principais fatores de possíveis causas de falhas e a proposição de ações preventivasThis research aims to propose a methodology for predicting failures in internal combustion engines based on lubricating oil analyses from a population of assets. To this end, the study analyzed the results obtained from lubricating oil analyses applied to Diesel cycle combustion engines used in Brazilian agribusiness equipment. Through statistical techniques, the study sought to identify factors that can lead to the failure or breakdown of these engines. A total of 2,513 lubricating oil sample results from Diesel cycle combustion engines were evaluated, which were provided by a specialized laboratory. The samples were collected in 15 distinct locations, between the years 2020 and 2022, encompassing five equipment models and various lubricating oil manufacturers. During the study, statistical tools developed using the Minitab computational program were employed, such as correlograms, regressions, and scatter plots, with the objective of evaluating wear factors and proposing containment measures. The analysis demonstrated that variables such as oil viscosity, silicon content, and TBN (Total Base Number) have a significant impact on engine wear. Based on the obtained results, containment actions were recommended, such as revising the air intake systems, implementing more efficient oil change routines, among other measures. This research emphasizes the importance of oil analysis as a predictive tool for engine maintenance. Based on the methodology of analyzing the equipment population, the main factors of possible causes of failure were ascertained, and preventive actions were proposedporpt_BRCentro Universitário FEI, São Bernardo do CampoManutenção preditivaMotores a combustãoAnálise de óleo lubrificanteSilícioFerroTBNRegressãoTribologiaPredictive maintenanceCombustion enginesOil analysisSiliconIronRegressionTribologyMetodologia para predizer falhas em motores de combustão interna partir de análises de óleo lubrificanteinfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisreponame:Repositório do Conhecimento Institucional do Centro Universitário da Fundação Educacional Inaciana (FEI)instname:Centro Universitário da Fundação Educacional Inaciana (FEI)instacron:FEIinfo:eu-repo/semantics/openAccessORIGINALfulltext.pdfapplication/pdf17268307https://repositorio.fei.edu.br/bitstreams/655a2649-003e-41a9-920e-8b3673092a86/download6119e250ba531953aa40bd8b61d25103MD51trueAnonymousREADTEXTfulltext.pdf.txtfulltext.pdf.txtExtracted texttext/plain288https://repositorio.fei.edu.br/bitstreams/0d6014ea-924f-4210-9970-07c3ef2c7c67/download8d4dbfb78b4748042db67e934f2a3973MD52falseAnonymousREADTHUMBNAILfulltext.pdf.jpgfulltext.pdf.jpgGenerated Thumbnailimage/jpeg2497https://repositorio.fei.edu.br/bitstreams/bff80f66-d667-4cb3-b53a-2bfe00dd44c0/downloadee04eee9a0e70b14a324c4c3e7baf6b6MD53falseAnonymousREADFEI/58462025-11-11 03:00:40.617open.accessoai:repositorio.fei.edu.br:FEI/5846https://repositorio.fei.edu.brBiblioteca Digital de Teses e Dissertaçõeshttp://sofia.fei.edu.br/pergamum/biblioteca/PRIhttps://repositorio-api.fei.edu.br/server/oai/requestcfernandes@fei.edu.bropendoar:2025-11-11T03:00:40Repositório do Conhecimento Institucional do Centro Universitário da Fundação Educacional Inaciana (FEI) - Centro Universitário da Fundação Educacional Inaciana (FEI)false
dc.title.pt_BR.fl_str_mv Metodologia para predizer falhas em motores de combustão interna partir de análises de óleo lubrificante
title Metodologia para predizer falhas em motores de combustão interna partir de análises de óleo lubrificante
spellingShingle Metodologia para predizer falhas em motores de combustão interna partir de análises de óleo lubrificante
Marini, Luka Aurora Buzato
Manutenção preditiva
Motores a combustão
Análise de óleo lubrificante
Silício
Ferro
TBN
Regressão
Tribologia
Predictive maintenance
Combustion engines
Oil analysis
Silicon
Iron
Regression
Tribology
title_short Metodologia para predizer falhas em motores de combustão interna partir de análises de óleo lubrificante
title_full Metodologia para predizer falhas em motores de combustão interna partir de análises de óleo lubrificante
title_fullStr Metodologia para predizer falhas em motores de combustão interna partir de análises de óleo lubrificante
title_full_unstemmed Metodologia para predizer falhas em motores de combustão interna partir de análises de óleo lubrificante
title_sort Metodologia para predizer falhas em motores de combustão interna partir de análises de óleo lubrificante
author Marini, Luka Aurora Buzato
author_facet Marini, Luka Aurora Buzato
author_role author
dc.contributor.author.fl_str_mv Marini, Luka Aurora Buzato
dc.contributor.advisor1.fl_str_mv Albuquerque Neto, Cyro
contributor_str_mv Albuquerque Neto, Cyro
dc.subject.por.fl_str_mv Manutenção preditiva
Motores a combustão
Análise de óleo lubrificante
Silício
Ferro
TBN
Regressão
Tribologia
Predictive maintenance
Combustion engines
Oil analysis
Silicon
Iron
Regression
Tribology
topic Manutenção preditiva
Motores a combustão
Análise de óleo lubrificante
Silício
Ferro
TBN
Regressão
Tribologia
Predictive maintenance
Combustion engines
Oil analysis
Silicon
Iron
Regression
Tribology
description A presente pesquisa dedica-se a propor uma metodologia para predizer falhas em motores de combustão interna a partir de análises de óleo lubrificante de uma população de ativos. Para tal, analisou os resultados obtidos das análises de óleos lubrificantes aplicados em motores a combustão do ciclo Diesel, utilizados em equipamentos do agronegócio brasileiro. Por meio de técnicas estatísticas, buscou-se identificar fatores que podem levar à falha ou quebra desses motores. Foram avaliados 2.513 resultados de amostras de óleo lubrificante aplicados em motores a combustão de ciclo Diesel, os quais foram fornecidos por um laboratório especializado. As amostras foram coletadas em 15 localidades distintas, entre os anos de 2020 e 2022, abrangendo cinco modelos de equipamentos e diversos fabricantes de óleo lubrificante. Durante o estudo, foram empregadas ferramentas estatísticas desenvolvidas com o programa computacional Minitab, como correlogramas, regressões e gráficos de dispersão, com o objetivo de avaliar fatores de desgaste e propor medidas de contenção. A análise demonstrou que variáveis como a viscosidade do óleo, o teor de silício e o TBN (Número Básico Total) exercem impacto significativo sobre o desgaste dos motores. Com base nos resultados obtidos, foram recomendadas ações de contenção, como a revisão dos sistemas de admissão de ar, a implementação de rotinas mais eficientes de troca de óleo, entre outras medidas. Esta pesquisa enfatiza a importância da análise de óleo como ferramenta preditiva para a manutenção de motores. A partir da metodologia de análise da população de equipamentos, foram averiguados os principais fatores de possíveis causas de falhas e a proposição de ações preventivas
publishDate 2025
dc.date.accessioned.fl_str_mv 2025-11-10T19:05:23Z
dc.date.issued.fl_str_mv 2025
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.citation.fl_str_mv MARINI, Luka Aurora Buzato. <b> Metodologia para predizer falhas em motores de combustão interna partir de análises de óleo lubrificante.</b> São Bernardo do Campo, 2025. 149 f. Dissertação (Mestrado em Engenharia Mecânica) - Centro Universitário FEI, São Bernardo do Campo, 2025. Disponível em: https://doi.org/10.31414/EM.2025.D.132828.
dc.identifier.uri.fl_str_mv https://repositorio.fei.edu.br/handle/FEI/5846
dc.identifier.doi.none.fl_str_mv https://doi.org/10.31414/EM.2025.D.132828
identifier_str_mv MARINI, Luka Aurora Buzato. <b> Metodologia para predizer falhas em motores de combustão interna partir de análises de óleo lubrificante.</b> São Bernardo do Campo, 2025. 149 f. Dissertação (Mestrado em Engenharia Mecânica) - Centro Universitário FEI, São Bernardo do Campo, 2025. Disponível em: https://doi.org/10.31414/EM.2025.D.132828.
url https://repositorio.fei.edu.br/handle/FEI/5846
https://doi.org/10.31414/EM.2025.D.132828
dc.language.iso.fl_str_mv por
pt_BR
language por
language_invalid_str_mv pt_BR
dc.rights.driver.fl_str_mv info:eu-repo/semantics/openAccess
eu_rights_str_mv openAccess
dc.publisher.none.fl_str_mv Centro Universitário FEI, São Bernardo do Campo
publisher.none.fl_str_mv Centro Universitário FEI, São Bernardo do Campo
dc.source.none.fl_str_mv reponame:Repositório do Conhecimento Institucional do Centro Universitário da Fundação Educacional Inaciana (FEI)
instname:Centro Universitário da Fundação Educacional Inaciana (FEI)
instacron:FEI
instname_str Centro Universitário da Fundação Educacional Inaciana (FEI)
instacron_str FEI
institution FEI
reponame_str Repositório do Conhecimento Institucional do Centro Universitário da Fundação Educacional Inaciana (FEI)
collection Repositório do Conhecimento Institucional do Centro Universitário da Fundação Educacional Inaciana (FEI)
bitstream.url.fl_str_mv https://repositorio.fei.edu.br/bitstreams/655a2649-003e-41a9-920e-8b3673092a86/download
https://repositorio.fei.edu.br/bitstreams/0d6014ea-924f-4210-9970-07c3ef2c7c67/download
https://repositorio.fei.edu.br/bitstreams/bff80f66-d667-4cb3-b53a-2bfe00dd44c0/download
bitstream.checksum.fl_str_mv 6119e250ba531953aa40bd8b61d25103
8d4dbfb78b4748042db67e934f2a3973
ee04eee9a0e70b14a324c4c3e7baf6b6
bitstream.checksumAlgorithm.fl_str_mv MD5
MD5
MD5
repository.name.fl_str_mv Repositório do Conhecimento Institucional do Centro Universitário da Fundação Educacional Inaciana (FEI) - Centro Universitário da Fundação Educacional Inaciana (FEI)
repository.mail.fl_str_mv cfernandes@fei.edu.br
_version_ 1856221270063972352

Registros relacionados