Uso de técnicas de aprendizado de máquina para previsão de falhas em turbogeradores

Detalhes bibliográficos
Ano de defesa: 2018
Autor(a) principal: Carvalho, Gustavo Luís Almeida de
Orientador(a): Lima Netto, Sergio
Banca de defesa: Silva, Eduardo Antônio Barros da, Haddad, Diego Barreto
Tipo de documento: Dissertação
Tipo de acesso: Acesso aberto
Idioma: por
Instituição de defesa: Universidade Federal do Rio de Janeiro
Programa de Pós-Graduação: Programa de Pós-Graduação em Engenharia Elétrica
Departamento: Instituto Alberto Luiz Coimbra de Pós-Graduação e Pesquisa de Engenharia
País: Brasil
Palavras-chave em Português:
Engenharia elétrica
Turbogeradores : previsão de falhas
Área do conhecimento CNPq:
CNPQ::ENGENHARIAS::ENGENHARIA ELETRICA
Link de acesso: http://hdl.handle.net/11422/9489
Resumo: Na indústria, a capacidade de detecção de anomalias nas condições operacionais é de grande interesse. Se identificadas com a antecedência adequada, as intervenções de manutenção podem ser planejadas sob demanda, o que determina um programa de manutenção baseada em condição. Com o aumento da quantidade de dados adquiridos para supervisão e do poder computacional para processamento, o desenvolvimento de técnicas de aprendizado de máquina pode auxiliar na detecção de condições de operação que indiquem necessidade de manutenção. Nesta dissertação, a aplicação destas técnicas é estudada para permitir a identificação de falhas em partidas de turbogeradores. Apresentam-se metodologias para o tratamento dos bancos de dados de operação, para a seleção de variáveis e para o levantamento de características que representem os casos operacionais adequadamente. Classificadores são projetados a partir destes dados e comparados entre si para avaliar a eficácia destes métodos.
id UFRJ_e0c65d645f8f6f015020e6f91d10bad3
oai_identifier_str oai:pantheon.ufrj.br:11422/9489
network_acronym_str UFRJ
network_name_str Repositório Institucional da UFRJ
repository_id_str
spelling Carvalho, Gustavo Luís Almeida dehttp://lattes.cnpq.br/3126502327974203Lima, Amaro Azevedo deSilva, Eduardo Antônio Barros daHaddad, Diego BarretoLima Netto, Sergio2019-09-12T18:04:11Z2019-09-14T03:00:23Z2018-03http://hdl.handle.net/11422/9489Na indústria, a capacidade de detecção de anomalias nas condições operacionais é de grande interesse. Se identificadas com a antecedência adequada, as intervenções de manutenção podem ser planejadas sob demanda, o que determina um programa de manutenção baseada em condição. Com o aumento da quantidade de dados adquiridos para supervisão e do poder computacional para processamento, o desenvolvimento de técnicas de aprendizado de máquina pode auxiliar na detecção de condições de operação que indiquem necessidade de manutenção. Nesta dissertação, a aplicação destas técnicas é estudada para permitir a identificação de falhas em partidas de turbogeradores. Apresentam-se metodologias para o tratamento dos bancos de dados de operação, para a seleção de variáveis e para o levantamento de características que representem os casos operacionais adequadamente. Classificadores são projetados a partir destes dados e comparados entre si para avaliar a eficácia destes métodos.In the industry, anomaly detection capability under the operating conditions is of great interest. If identi ed well in advance, maintenance interventions can be planned on demand, which determines a condition based maintenance. With the increase of the amount of data acquired for supervision and of the computational power for processing, the development of machine learning techniques can aid in the detection of operating conditions that indicate maintenance needs. In this dissertation, such techniques are applied to allow the identi cation of failures in turbo generators. Methodologies are presented for the treatment of the operation databases, for the selection of variables and for the identi cation of characteristics that represent the operational cases properly. Classi ers are designed with this data and compared to each other to evaluate the e ectiveness of these methods.Submitted by Aglair Aguiar (aglair@ct.ufrj.br) on 2019-09-12T18:04:11Z No. of bitstreams: 1 882220.pdf: 1323208 bytes, checksum: c212312f8596275358fe4f3aac82a20f (MD5)Made available in DSpace on 2019-09-12T18:04:11Z (GMT). No. of bitstreams: 1 882220.pdf: 1323208 bytes, checksum: c212312f8596275358fe4f3aac82a20f (MD5) Previous issue date: 2018-03porUniversidade Federal do Rio de JaneiroPrograma de Pós-Graduação em Engenharia ElétricaUFRJBrasilInstituto Alberto Luiz Coimbra de Pós-Graduação e Pesquisa de EngenhariaCNPQ::ENGENHARIAS::ENGENHARIA ELETRICAEngenharia elétricaTurbogeradores : previsão de falhasUso de técnicas de aprendizado de máquina para previsão de falhas em turbogeradoresinfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisabertoinfo:eu-repo/semantics/openAccessreponame:Repositório Institucional da UFRJinstname:Universidade Federal do Rio de Janeiro (UFRJ)instacron:UFRJLICENSElicense.txtlicense.txttext/plain; charset=utf-81853http://pantheon.ufrj.br:80/bitstream/11422/9489/2/license.txtdd32849f2bfb22da963c3aac6e26e255MD52ORIGINAL882220.pdf882220.pdfapplication/pdf1323208http://pantheon.ufrj.br:80/bitstream/11422/9489/1/882220.pdfc212312f8596275358fe4f3aac82a20fMD5111422/94892019-09-14 00:00:23.464oai:pantheon.ufrj.br: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Repositório de PublicaçõesPUBhttp://www.pantheon.ufrj.br/oai/requestopendoar:2019-09-14T03:00:23Repositório Institucional da UFRJ - Universidade Federal do Rio de Janeiro (UFRJ)false
dc.title.pt_BR.fl_str_mv Uso de técnicas de aprendizado de máquina para previsão de falhas em turbogeradores
title Uso de técnicas de aprendizado de máquina para previsão de falhas em turbogeradores
spellingShingle Uso de técnicas de aprendizado de máquina para previsão de falhas em turbogeradores
Carvalho, Gustavo Luís Almeida de
CNPQ::ENGENHARIAS::ENGENHARIA ELETRICA
Engenharia elétrica
Turbogeradores : previsão de falhas
title_short Uso de técnicas de aprendizado de máquina para previsão de falhas em turbogeradores
title_full Uso de técnicas de aprendizado de máquina para previsão de falhas em turbogeradores
title_fullStr Uso de técnicas de aprendizado de máquina para previsão de falhas em turbogeradores
title_full_unstemmed Uso de técnicas de aprendizado de máquina para previsão de falhas em turbogeradores
title_sort Uso de técnicas de aprendizado de máquina para previsão de falhas em turbogeradores
author Carvalho, Gustavo Luís Almeida de
author_facet Carvalho, Gustavo Luís Almeida de
author_role author
dc.contributor.authorLattes.pt_BR.fl_str_mv http://lattes.cnpq.br/3126502327974203
dc.contributor.advisorCo1.none.fl_str_mv Lima, Amaro Azevedo de
dc.contributor.author.fl_str_mv Carvalho, Gustavo Luís Almeida de
dc.contributor.referee1.fl_str_mv Silva, Eduardo Antônio Barros da
dc.contributor.referee2.fl_str_mv Haddad, Diego Barreto
dc.contributor.advisor1.fl_str_mv Lima Netto, Sergio
contributor_str_mv Silva, Eduardo Antônio Barros da
Haddad, Diego Barreto
Lima Netto, Sergio
dc.subject.cnpq.fl_str_mv CNPQ::ENGENHARIAS::ENGENHARIA ELETRICA
topic CNPQ::ENGENHARIAS::ENGENHARIA ELETRICA
Engenharia elétrica
Turbogeradores : previsão de falhas
dc.subject.por.fl_str_mv Engenharia elétrica
Turbogeradores : previsão de falhas
description Na indústria, a capacidade de detecção de anomalias nas condições operacionais é de grande interesse. Se identificadas com a antecedência adequada, as intervenções de manutenção podem ser planejadas sob demanda, o que determina um programa de manutenção baseada em condição. Com o aumento da quantidade de dados adquiridos para supervisão e do poder computacional para processamento, o desenvolvimento de técnicas de aprendizado de máquina pode auxiliar na detecção de condições de operação que indiquem necessidade de manutenção. Nesta dissertação, a aplicação destas técnicas é estudada para permitir a identificação de falhas em partidas de turbogeradores. Apresentam-se metodologias para o tratamento dos bancos de dados de operação, para a seleção de variáveis e para o levantamento de características que representem os casos operacionais adequadamente. Classificadores são projetados a partir destes dados e comparados entre si para avaliar a eficácia destes métodos.
publishDate 2018
dc.date.issued.fl_str_mv 2018-03
dc.date.accessioned.fl_str_mv 2019-09-12T18:04:11Z
dc.date.available.fl_str_mv 2019-09-14T03:00:23Z
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 http://hdl.handle.net/11422/9489
url http://hdl.handle.net/11422/9489
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.publisher.none.fl_str_mv Universidade Federal do Rio de Janeiro
dc.publisher.program.fl_str_mv Programa de Pós-Graduação em Engenharia Elétrica
dc.publisher.initials.fl_str_mv UFRJ
dc.publisher.country.fl_str_mv Brasil
dc.publisher.department.fl_str_mv Instituto Alberto Luiz Coimbra de Pós-Graduação e Pesquisa de Engenharia
publisher.none.fl_str_mv Universidade Federal do Rio de Janeiro
dc.source.none.fl_str_mv reponame:Repositório Institucional da UFRJ
instname:Universidade Federal do Rio de Janeiro (UFRJ)
instacron:UFRJ
instname_str Universidade Federal do Rio de Janeiro (UFRJ)
instacron_str UFRJ
institution UFRJ
reponame_str Repositório Institucional da UFRJ
collection Repositório Institucional da UFRJ
bitstream.url.fl_str_mv http://pantheon.ufrj.br:80/bitstream/11422/9489/2/license.txt
http://pantheon.ufrj.br:80/bitstream/11422/9489/1/882220.pdf
bitstream.checksum.fl_str_mv dd32849f2bfb22da963c3aac6e26e255
c212312f8596275358fe4f3aac82a20f
bitstream.checksumAlgorithm.fl_str_mv MD5
MD5
repository.name.fl_str_mv Repositório Institucional da UFRJ - Universidade Federal do Rio de Janeiro (UFRJ)
repository.mail.fl_str_mv
_version_ 1766886489826787328

Registros relacionados