Identificação de decolagem em mancais de fole

Detalhes bibliográficos
Ano de defesa: 2024
Autor(a) principal: Gusmão, Leonardo Lima, 1988-
Orientador(a): Não Informado pela instituição
Banca de defesa: Não Informado pela instituição
Tipo de documento: Tese
Tipo de acesso: Acesso aberto
Idioma: por
Instituição de defesa: [s.n.]
Programa de Pós-Graduação: Não Informado pela instituição
Departamento: Não Informado pela instituição
País: Não Informado pela instituição
Palavras-chave em Português:
Rotores - Dinâmica
Mecânica - Vibração
Aprendizado de máquina
Mancais
Rotors - Dynamics
Mechanical vibration
Machine learning
Bearings
Link de acesso: https://hdl.handle.net/20.500.12733/28530
Resumo: Orientador: Tiago Henrique Machado
id UNICAMP-30_ab5ec934aefb7377193aaa224f5fcbdc
oai_identifier_str oai::1489246
network_acronym_str UNICAMP-30
network_name_str Biblioteca Digital de Teses e Dissertações da Universidade Estadual de Campinas (UNICAMP)
repository_id_str
spelling Identificação de decolagem em mancais de foleLiftoff identification in gas foil bearingsRotores - DinâmicaMecânica - VibraçãoAprendizado de máquinaMancaisRotors - DynamicsMechanical vibrationMachine learningBearingsOrientador: Tiago Henrique MachadoTese (doutorado) - Universidade Estadual de Campinas (UNICAMP), Faculdade de Engenharia MecânicaResumo: O uso de aprendizado de máquina para monitoramento de máquinas e detecção de falhas já é bastante comum para resolver alguns problemas dentro do contexto da Indústria 4.0. No entanto, ainda existem áreas onde o uso de técnicas de aprendizado de máquina é muito incipiente ou quase inexistente. Como exemplo, pode-se mencionar o problema encontrado na identificação do estado de decolagem (afastamento de eixo e carcaça dos mancais) de eixos em relação aos mancais de fole (mancais que operam com regime de lubrificação hidrodinâmica usando ar como lubrificante). A principal justificativa para a relevância do estudo reside na ausência de uma abordagem adequada para definir o estado de lift-off, sem a necessidade de equipamentos de teste especialmente projetados. A abordagem atual do estado da arte requer esses equipamentos de teste para medir o torque de atrito do mancal. O presente estudo emprega uma rede neural convolucional para monitorar o estado de lift-off de um mancal de folga a gás utilizando dados de aceleração obtidos experimentalmente, oferecendo uma alternativa mais versátil. Os dados de aceleração do equipamento de teste são analisados tanto no domínio do tempo quanto no domínio da frequência. A técnica utilizada envolveu a conversão do sinal em imagens de vibração. Em todas as configurações analisadas, a precisão da rede na identificação do fenômeno de lift-off excede 90%, demonstrando o potencial da metodologia proposta. Como a bancada contava com diversos outros sensores, foi tomada decisão de investigar se seria possível efetuar a classificação utilizando o sinal do sensor de posição e do transdutor de voltagem de contato. Ambos os sensores performaram a tarefa com sucesso na análise do sinal no domínio do tempo, enquanto deixaram a desejar quanto ao desempenho da classificação utilizando o sinal do domínio da frequência. A investigação das causas relacionadas ao desempenho abaixo do esperado levantou múltiplas análises que permitem afirmar que existe associação do número de épocas, dos valores de carga aplicados em relação aos valores de acurácia e também permitiu observar que técnicas de aumento de dados podem ser importantes para o tipo de classificação, desde que se leve em consideração o custo computacionalAbstract: The use of machine learning for machine monitoring and fault detection is already quite common to solve some problems within the context of Industry 4.0. However, there are still areas where the use of machine learning techniques is very incipient or almost nonexistent. As an example, we can mention the problem encountered in identifying the lift-off condition (separation of shaft and bearing housing) of shafts in relation to gas foil bearings (bearings that operate in a hydrodynamic lubrication regime using air as a lubricant). The main justification for the relevance of this study lies in the absence of an appropriate approach to defining the lift-off condition without the need for specially designed test equipment. The current state-of-the-art approach requires such test equipment to measure the friction torque of the bearing. This study employs a convolutional neural network to monitor the lift-off condition of a gas foil bearing using acceleration data obtained experimentally, offering a more versatile alternative. The test equipment's acceleration data are analyzed both in the time domain and in the frequency domain. The technique used involved converting the signal into vibration images. In all analyzed configurations, the accuracy of the network in identifying the lift-off phenomenon exceeds 90%, demonstrating the potential of the proposed methodology. Since the test rig had several other sensors, it was decided to investigate whether it would be possible to perform classification using the position sensor signal and the contact voltage transducer. Both sensors successfully performed the task in the time domain signal analysis, but fell short in classification performance using the frequency domain signal. The investigation into the causes related to the below-expected performance raised multiple analyses, allowing us to affirm that there is an association between the number of epochs, the applied load values in relation to accuracy values, and also observed that data augmentation techniques may be important for this type of classification, all while considering computational costAbertoDoutoradoMecânica dos Sólidos e Projeto MecânicoDoutor em Engenharia MecânicaCAPES88881.700924/2022-01; 001[s.n.]Machado, Tiago Henrique, 1986-Castro, Hélio Fiori deMereles, Arthur GuilhermeAlves, Marco Tulio SantanaSanches, Fabio DalmazzoUniversidade Estadual de Campinas (UNICAMP). Faculdade de Engenharia MecânicaPrograma de Pós-Graduação em Engenharia MecânicaUNIVERSIDADE ESTADUAL DE CAMPINASGusmão, Leonardo Lima, 1988-20242024-12-12T00:00:00Zinfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/doctoralThesisapplication/pdf1 recurso online (92 p.) : il., digital, arquivo PDF.https://hdl.handle.net/20.500.12733/28530GUSMÃO, Leonardo Lima. Identificação de decolagem em mancais de fole. 2024. 1 recurso online (92 p.) Tese (doutorado) - Universidade Estadual de Campinas (UNICAMP), Faculdade de Engenharia Mecânica , Campinas, SP. Disponível em: 20.500.12733/28530. Acesso em: 29 set. 2025.https://repositorio.unicamp.br/acervo/detalhe/1489246Cover: https://repositorio.unicamp.br/capa/capa?codigo=1489246porreponame:Biblioteca Digital de Teses e Dissertações da Universidade Estadual de Campinas (UNICAMP)instname:Universidade Estadual de Campinas (UNICAMP)instacron:UNICAMPinfo:eu-repo/semantics/openAccess2025-07-04T14:51:46Zoai::1489246Biblioteca Digital de Teses e DissertaçõesPUBhttp://repositorio.unicamp.br/oai/tese/oai.aspsbubd@unicamp.bropendoar:2025-07-04T14:51:46Biblioteca Digital de Teses e Dissertações da Universidade Estadual de Campinas (UNICAMP) - Universidade Estadual de Campinas (UNICAMP)false
dc.title.none.fl_str_mv Identificação de decolagem em mancais de fole
Liftoff identification in gas foil bearings
title Identificação de decolagem em mancais de fole
spellingShingle Identificação de decolagem em mancais de fole
Gusmão, Leonardo Lima, 1988-
Rotores - Dinâmica
Mecânica - Vibração
Aprendizado de máquina
Mancais
Rotors - Dynamics
Mechanical vibration
Machine learning
Bearings
title_short Identificação de decolagem em mancais de fole
title_full Identificação de decolagem em mancais de fole
title_fullStr Identificação de decolagem em mancais de fole
title_full_unstemmed Identificação de decolagem em mancais de fole
title_sort Identificação de decolagem em mancais de fole
author Gusmão, Leonardo Lima, 1988-
author_facet Gusmão, Leonardo Lima, 1988-
author_role author
dc.contributor.none.fl_str_mv Machado, Tiago Henrique, 1986-
Castro, Hélio Fiori de
Mereles, Arthur Guilherme
Alves, Marco Tulio Santana
Sanches, Fabio Dalmazzo
Universidade Estadual de Campinas (UNICAMP). Faculdade de Engenharia Mecânica
Programa de Pós-Graduação em Engenharia Mecânica
UNIVERSIDADE ESTADUAL DE CAMPINAS
dc.contributor.author.fl_str_mv Gusmão, Leonardo Lima, 1988-
dc.subject.por.fl_str_mv Rotores - Dinâmica
Mecânica - Vibração
Aprendizado de máquina
Mancais
Rotors - Dynamics
Mechanical vibration
Machine learning
Bearings
topic Rotores - Dinâmica
Mecânica - Vibração
Aprendizado de máquina
Mancais
Rotors - Dynamics
Mechanical vibration
Machine learning
Bearings
description Orientador: Tiago Henrique Machado
publishDate 2024
dc.date.none.fl_str_mv 2024
2024-12-12T00:00:00Z
dc.type.status.fl_str_mv info:eu-repo/semantics/publishedVersion
dc.type.driver.fl_str_mv info:eu-repo/semantics/doctoralThesis
format doctoralThesis
status_str publishedVersion
dc.identifier.uri.fl_str_mv https://hdl.handle.net/20.500.12733/28530
GUSMÃO, Leonardo Lima. Identificação de decolagem em mancais de fole. 2024. 1 recurso online (92 p.) Tese (doutorado) - Universidade Estadual de Campinas (UNICAMP), Faculdade de Engenharia Mecânica , Campinas, SP. Disponível em: 20.500.12733/28530. Acesso em: 29 set. 2025.
url https://hdl.handle.net/20.500.12733/28530
identifier_str_mv GUSMÃO, Leonardo Lima. Identificação de decolagem em mancais de fole. 2024. 1 recurso online (92 p.) Tese (doutorado) - Universidade Estadual de Campinas (UNICAMP), Faculdade de Engenharia Mecânica , Campinas, SP. Disponível em: 20.500.12733/28530. Acesso em: 29 set. 2025.
dc.language.iso.fl_str_mv por
language por
dc.relation.none.fl_str_mv https://repositorio.unicamp.br/acervo/detalhe/1489246
Cover: https://repositorio.unicamp.br/capa/capa?codigo=1489246
dc.rights.driver.fl_str_mv info:eu-repo/semantics/openAccess
eu_rights_str_mv openAccess
dc.format.none.fl_str_mv application/pdf
1 recurso online (92 p.) : il., digital, arquivo PDF.
dc.publisher.none.fl_str_mv [s.n.]
publisher.none.fl_str_mv [s.n.]
dc.source.none.fl_str_mv reponame:Biblioteca Digital de Teses e Dissertações da Universidade Estadual de Campinas (UNICAMP)
instname:Universidade Estadual de Campinas (UNICAMP)
instacron:UNICAMP
instname_str Universidade Estadual de Campinas (UNICAMP)
instacron_str UNICAMP
institution UNICAMP
reponame_str Biblioteca Digital de Teses e Dissertações da Universidade Estadual de Campinas (UNICAMP)
collection Biblioteca Digital de Teses e Dissertações da Universidade Estadual de Campinas (UNICAMP)
repository.name.fl_str_mv Biblioteca Digital de Teses e Dissertações da Universidade Estadual de Campinas (UNICAMP) - Universidade Estadual de Campinas (UNICAMP)
repository.mail.fl_str_mv sbubd@unicamp.br
_version_ 1844628726628745216

Registros relacionados