Diagnóstico de falhas de ignição em motor diesel marítimo utilizando sinais de vibração e aprendizado de máquinas

Detalhes bibliográficos
Ano de defesa: 2023
Autor(a) principal: Guerra, Victor Nicodemos
Orientador(a): Não Informado pela instituição
Banca de defesa: Não Informado pela instituição
Tipo de documento: Dissertação
Tipo de acesso: Acesso aberto
Idioma: por
Instituição de defesa: Universidade Federal do Rio de Janeiro (UFRJ)
Programa de Pós-Graduação: Não Informado pela instituição
Departamento: Não Informado pela instituição
País: Não Informado pela instituição
Palavras-chave em Português:
Diagnóstico de Falhas
Inteligência Artificial
Falha de Ignição
Engenharia oceânica
Diretoria-Geral do Material da Marinha (DGMM)
Link de acesso: https://www.repositorio.mar.mil.br/handle/ripcmb/846396
Resumo: Este trabalho apresenta uma metodologia de diagnóstico de falhas de ignição em um motor Diesel, por meio de técnicas de Aprendizado de Máquinas (AM), com utilização de sinais de vibração. Além disso, estudou-se a quantidade mínima necessária de acelerômetros que permita que os algoritmos de AM mantenham um bom desempenho para diagnóstico de falhas. O banco de dados utilizado neste estudo é composto por sinais de vibração obtidos por meio de 15 acelerômetros instalados no motor. Três algoritmos de AM foram utilizados neste trabalho: k-Nearest Neighbors (K-NN), Random Forest (RF) e Support Vector Machines (SVM). Os resultados mostraram que estes algoritmos foram capazes de obter um F1-Score de 99,87%, 99,87% e 100%, respectivamente, para detecção e identificação de falhas de ignição. Quanto ao estudo que visa a redução do número de sensores, foram utilizados os métodos Relief-F e análise combinatória geral, com o segundo sendo capaz de mostrar que, com dois acelerômetros, foi possível alcançar um desempenho com F1- Score acima de 95%, que é o mínimo requerido, o que comprova a eficiência da metodologia utilizada neste estudo.
id MB_190f1fa2870529cbb1a1c856be830805
oai_identifier_str oai:www.repositorio.mar.mil.br:ripcmb/846396
network_acronym_str MB
network_name_str Repositório Institucional da Produção Científica da Marinha do Brasil (RI-MB)
repository_id_str
spelling Diagnóstico de falhas de ignição em motor diesel marítimo utilizando sinais de vibração e aprendizado de máquinasDiagnóstico de FalhasInteligência ArtificialFalha de IgniçãoEngenharia oceânicaDiretoria-Geral do Material da Marinha (DGMM)Este trabalho apresenta uma metodologia de diagnóstico de falhas de ignição em um motor Diesel, por meio de técnicas de Aprendizado de Máquinas (AM), com utilização de sinais de vibração. Além disso, estudou-se a quantidade mínima necessária de acelerômetros que permita que os algoritmos de AM mantenham um bom desempenho para diagnóstico de falhas. O banco de dados utilizado neste estudo é composto por sinais de vibração obtidos por meio de 15 acelerômetros instalados no motor. Três algoritmos de AM foram utilizados neste trabalho: k-Nearest Neighbors (K-NN), Random Forest (RF) e Support Vector Machines (SVM). Os resultados mostraram que estes algoritmos foram capazes de obter um F1-Score de 99,87%, 99,87% e 100%, respectivamente, para detecção e identificação de falhas de ignição. Quanto ao estudo que visa a redução do número de sensores, foram utilizados os métodos Relief-F e análise combinatória geral, com o segundo sendo capaz de mostrar que, com dois acelerômetros, foi possível alcançar um desempenho com F1- Score acima de 95%, que é o mínimo requerido, o que comprova a eficiência da metodologia utilizada neste estudo.This work develops a method for misfire diagnosis in a Diesel engine using Machine Learning (ML) techniques and vibration signals. In addition, it performs the study of the minimum number of accelerometers necessary to allow the AM algorithms to maintain a good performance in misfire diagnosis. The database used in this study is composed of vibration signals obtained through 15 accelerometers installed in the engine. Three AM algorithms were used in this work: K-Nearest Neighbors (K-NN), Random Forest (RF) and Support Vector Machines (SVM). The results showed that these algorithms were able to obtain an F1-Score of 99.87%, 99.87% and 100%, respectively, for detection and identification of misfires. Regarding the study of the minimum number of sensors, two methods were used: Relief-F and general combinatorial analysis, with the second being able to show that, with two accelerometers, it was possible to achieve a misfire diagnosis performance with F1-Score above 95%, which is the minimum required, proving the efficiency of the methodology used in this study.Universidade Federal do Rio de Janeiro (UFRJ)Monteiro, Ulisses Admar Barbosa VicenteGuerra, Victor Nicodemos2023-10-16T13:26:51Z2023-10-16T13:26:51Z2023info:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisapplication/pdfhttps://www.repositorio.mar.mil.br/handle/ripcmb/846396info:eu-repo/semantics/openAccessporreponame:Repositório Institucional da Produção Científica da Marinha do Brasil (RI-MB)instname:Marinha do Brasil (MB)instacron:MB2025-08-26T18:42:24Zoai:www.repositorio.mar.mil.br:ripcmb/846396Repositório InstitucionalPUBhttps://www.repositorio.mar.mil.br/oai/requestdphdm.repositorio@marinha.mil.bropendoar:2025-08-26T18:42:24Repositório Institucional da Produção Científica da Marinha do Brasil (RI-MB) - Marinha do Brasil (MB)false
dc.title.none.fl_str_mv Diagnóstico de falhas de ignição em motor diesel marítimo utilizando sinais de vibração e aprendizado de máquinas
title Diagnóstico de falhas de ignição em motor diesel marítimo utilizando sinais de vibração e aprendizado de máquinas
spellingShingle Diagnóstico de falhas de ignição em motor diesel marítimo utilizando sinais de vibração e aprendizado de máquinas
Guerra, Victor Nicodemos
Diagnóstico de Falhas
Inteligência Artificial
Falha de Ignição
Engenharia oceânica
Diretoria-Geral do Material da Marinha (DGMM)
title_short Diagnóstico de falhas de ignição em motor diesel marítimo utilizando sinais de vibração e aprendizado de máquinas
title_full Diagnóstico de falhas de ignição em motor diesel marítimo utilizando sinais de vibração e aprendizado de máquinas
title_fullStr Diagnóstico de falhas de ignição em motor diesel marítimo utilizando sinais de vibração e aprendizado de máquinas
title_full_unstemmed Diagnóstico de falhas de ignição em motor diesel marítimo utilizando sinais de vibração e aprendizado de máquinas
title_sort Diagnóstico de falhas de ignição em motor diesel marítimo utilizando sinais de vibração e aprendizado de máquinas
author Guerra, Victor Nicodemos
author_facet Guerra, Victor Nicodemos
author_role author
dc.contributor.none.fl_str_mv Monteiro, Ulisses Admar Barbosa Vicente
dc.contributor.author.fl_str_mv Guerra, Victor Nicodemos
dc.subject.por.fl_str_mv Diagnóstico de Falhas
Inteligência Artificial
Falha de Ignição
Engenharia oceânica
Diretoria-Geral do Material da Marinha (DGMM)
topic Diagnóstico de Falhas
Inteligência Artificial
Falha de Ignição
Engenharia oceânica
Diretoria-Geral do Material da Marinha (DGMM)
description Este trabalho apresenta uma metodologia de diagnóstico de falhas de ignição em um motor Diesel, por meio de técnicas de Aprendizado de Máquinas (AM), com utilização de sinais de vibração. Além disso, estudou-se a quantidade mínima necessária de acelerômetros que permita que os algoritmos de AM mantenham um bom desempenho para diagnóstico de falhas. O banco de dados utilizado neste estudo é composto por sinais de vibração obtidos por meio de 15 acelerômetros instalados no motor. Três algoritmos de AM foram utilizados neste trabalho: k-Nearest Neighbors (K-NN), Random Forest (RF) e Support Vector Machines (SVM). Os resultados mostraram que estes algoritmos foram capazes de obter um F1-Score de 99,87%, 99,87% e 100%, respectivamente, para detecção e identificação de falhas de ignição. Quanto ao estudo que visa a redução do número de sensores, foram utilizados os métodos Relief-F e análise combinatória geral, com o segundo sendo capaz de mostrar que, com dois acelerômetros, foi possível alcançar um desempenho com F1- Score acima de 95%, que é o mínimo requerido, o que comprova a eficiência da metodologia utilizada neste estudo.
publishDate 2023
dc.date.none.fl_str_mv 2023-10-16T13:26:51Z
2023-10-16T13:26:51Z
2023
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://www.repositorio.mar.mil.br/handle/ripcmb/846396
url https://www.repositorio.mar.mil.br/handle/ripcmb/846396
dc.language.iso.fl_str_mv por
language por
dc.rights.driver.fl_str_mv info:eu-repo/semantics/openAccess
eu_rights_str_mv openAccess
dc.format.none.fl_str_mv application/pdf
dc.publisher.none.fl_str_mv Universidade Federal do Rio de Janeiro (UFRJ)
publisher.none.fl_str_mv Universidade Federal do Rio de Janeiro (UFRJ)
dc.source.none.fl_str_mv reponame:Repositório Institucional da Produção Científica da Marinha do Brasil (RI-MB)
instname:Marinha do Brasil (MB)
instacron:MB
instname_str Marinha do Brasil (MB)
instacron_str MB
institution MB
reponame_str Repositório Institucional da Produção Científica da Marinha do Brasil (RI-MB)
collection Repositório Institucional da Produção Científica da Marinha do Brasil (RI-MB)
repository.name.fl_str_mv Repositório Institucional da Produção Científica da Marinha do Brasil (RI-MB) - Marinha do Brasil (MB)
repository.mail.fl_str_mv dphdm.repositorio@marinha.mil.br
_version_ 1855762816447807488

Registros relacionados