Otimização de um sistema híbrido de diagnóstico de falhas em equipamentos mecânicos utilizando redes neurais probabilísticas e algoritmo genético.
| Ano de defesa: | 2005 |
|---|---|
| Autor(a) principal: | |
| Orientador(a): | |
| Banca de defesa: | |
| Tipo de documento: | Tese |
| Tipo de acesso: | Acesso aberto |
| Idioma: | por |
| Instituição de defesa: |
Biblioteca Digitais de Teses e Dissertações da USP
|
| 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://www.teses.usp.br/teses/disponiveis/3/3132/tde-26032025-072748/ |
Resumo: | O problema de detecção de falhas incorretas em plantas industriais tem levantando a necessidade de se desenvolver sistemas de diagnósticos mais eficientes que forneçam uma maior porcentagem de acerto nos resultados obtidos. Quanto maior o número de pontos a ser monitorado em uma planta, maior a quantidade de dados a ser analisada e consequentemente surge a necessidade do desenvolvimento de sistemas automáticos de diagnóstico. Redes neurais Artificias são ferramentas de identificação e classificação de padrões que tem sido utilizadas como uma solução para esta questão. Este trabalho propõe o uso de Redes Neurais Probabilísticas com a utilização de algoritmo genético na otimização de seus parâmetros. Diversos parâmetros intrínsecos dessa rede são estudados com o objetivo de se entender sua influência no desempenho da rede. Também é proposto um método para otimização do banco de dados de treinamento, que implica numa grande redução do tamanho da topologia da rede, e portanto, do tempo de processamento, sem afetar a eficiência de diagnóstico da rede. Dois estudos de casos, utilizando dados reais, foram realizados para validar as propostas deste trabalho. Utilizou-se um banco de dados de defeitos em rolamentos e outro de defeitos em engrenamento. Os resultados obtidos mostram a alta confiabilidade de diagnóstico que é possível se obter com a utilização das redes neurais probabilísticas, e do método de otimização do banco de dados. |
| id |
USP_e7e669b23c23e0a77fe1b3e265d5b7de |
|---|---|
| oai_identifier_str |
oai:teses.usp.br:tde-26032025-072748 |
| network_acronym_str |
USP |
| network_name_str |
Biblioteca Digital de Teses e Dissertações da USP |
| repository_id_str |
|
| spelling |
Otimização de um sistema híbrido de diagnóstico de falhas em equipamentos mecânicos utilizando redes neurais probabilísticas e algoritmo genético.Untitled in englishAlgoritmos genéticosGenetic algorithmsNeural networksRedes neuraisO problema de detecção de falhas incorretas em plantas industriais tem levantando a necessidade de se desenvolver sistemas de diagnósticos mais eficientes que forneçam uma maior porcentagem de acerto nos resultados obtidos. Quanto maior o número de pontos a ser monitorado em uma planta, maior a quantidade de dados a ser analisada e consequentemente surge a necessidade do desenvolvimento de sistemas automáticos de diagnóstico. Redes neurais Artificias são ferramentas de identificação e classificação de padrões que tem sido utilizadas como uma solução para esta questão. Este trabalho propõe o uso de Redes Neurais Probabilísticas com a utilização de algoritmo genético na otimização de seus parâmetros. Diversos parâmetros intrínsecos dessa rede são estudados com o objetivo de se entender sua influência no desempenho da rede. Também é proposto um método para otimização do banco de dados de treinamento, que implica numa grande redução do tamanho da topologia da rede, e portanto, do tempo de processamento, sem afetar a eficiência de diagnóstico da rede. Dois estudos de casos, utilizando dados reais, foram realizados para validar as propostas deste trabalho. Utilizou-se um banco de dados de defeitos em rolamentos e outro de defeitos em engrenamento. Os resultados obtidos mostram a alta confiabilidade de diagnóstico que é possível se obter com a utilização das redes neurais probabilísticas, e do método de otimização do banco de dados.The problem of incorrect faults detection in industrial systems has showed the need of developing an automatic diagnosis systtem which may give a bigger percentage of corrections in the final results. The other problem to be considered is the amount of points to be monitored. The bigger they are, the larger the amount of data is required to be analysed. Therefore, there is the need of developing an automatic diagnosis systems. Artificial neural networks are one of the tools which classify patterns that have been used as a solution to this question. This work proposes the application of Probabilistic Neural Netwotk - PNN and the use of the Genetic Algorithm in the optimization of it parameters. Several intrinsic parameters of PNN have been studied with the objective of understanding its influence in the performance of the network. A method to optimize the training database is also proposed, which implies on a large reduction of the network topology size as well as the time training of the same network, without damaging its diagnosis efficiency. Two case studies, using real database were done to validate the proposals of this work. It was used a database of defaults in rolling bearings and the another one of defaults in gearing. The obtained results show the high reliability of diagnosis that is possible to be acquired with the use of PNN as well as of the optimization method of the database.Biblioteca Digitais de Teses e Dissertações da USPPadovese, Linilson RodriguesVicente, Silmara Alexandra da Silva2005-03-04info:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/doctoralThesisapplication/pdfhttps://www.teses.usp.br/teses/disponiveis/3/3132/tde-26032025-072748/reponame:Biblioteca Digital de Teses e Dissertações da USPinstname:Universidade de São Paulo (USP)instacron:USPLiberar o conteúdo para acesso público.info:eu-repo/semantics/openAccesspor2025-03-26T10:32:06Zoai:teses.usp.br:tde-26032025-072748Biblioteca Digital de Teses e Dissertaçõeshttp://www.teses.usp.br/PUBhttp://www.teses.usp.br/cgi-bin/mtd2br.plvirginia@if.usp.br|| atendimento@aguia.usp.br||virginia@if.usp.bropendoar:27212025-03-26T10:32:06Biblioteca Digital de Teses e Dissertações da USP - Universidade de São Paulo (USP)false |
| dc.title.none.fl_str_mv |
Otimização de um sistema híbrido de diagnóstico de falhas em equipamentos mecânicos utilizando redes neurais probabilísticas e algoritmo genético. Untitled in english |
| title |
Otimização de um sistema híbrido de diagnóstico de falhas em equipamentos mecânicos utilizando redes neurais probabilísticas e algoritmo genético. |
| spellingShingle |
Otimização de um sistema híbrido de diagnóstico de falhas em equipamentos mecânicos utilizando redes neurais probabilísticas e algoritmo genético. Vicente, Silmara Alexandra da Silva Algoritmos genéticos Genetic algorithms Neural networks Redes neurais |
| title_short |
Otimização de um sistema híbrido de diagnóstico de falhas em equipamentos mecânicos utilizando redes neurais probabilísticas e algoritmo genético. |
| title_full |
Otimização de um sistema híbrido de diagnóstico de falhas em equipamentos mecânicos utilizando redes neurais probabilísticas e algoritmo genético. |
| title_fullStr |
Otimização de um sistema híbrido de diagnóstico de falhas em equipamentos mecânicos utilizando redes neurais probabilísticas e algoritmo genético. |
| title_full_unstemmed |
Otimização de um sistema híbrido de diagnóstico de falhas em equipamentos mecânicos utilizando redes neurais probabilísticas e algoritmo genético. |
| title_sort |
Otimização de um sistema híbrido de diagnóstico de falhas em equipamentos mecânicos utilizando redes neurais probabilísticas e algoritmo genético. |
| author |
Vicente, Silmara Alexandra da Silva |
| author_facet |
Vicente, Silmara Alexandra da Silva |
| author_role |
author |
| dc.contributor.none.fl_str_mv |
Padovese, Linilson Rodrigues |
| dc.contributor.author.fl_str_mv |
Vicente, Silmara Alexandra da Silva |
| dc.subject.por.fl_str_mv |
Algoritmos genéticos Genetic algorithms Neural networks Redes neurais |
| topic |
Algoritmos genéticos Genetic algorithms Neural networks Redes neurais |
| description |
O problema de detecção de falhas incorretas em plantas industriais tem levantando a necessidade de se desenvolver sistemas de diagnósticos mais eficientes que forneçam uma maior porcentagem de acerto nos resultados obtidos. Quanto maior o número de pontos a ser monitorado em uma planta, maior a quantidade de dados a ser analisada e consequentemente surge a necessidade do desenvolvimento de sistemas automáticos de diagnóstico. Redes neurais Artificias são ferramentas de identificação e classificação de padrões que tem sido utilizadas como uma solução para esta questão. Este trabalho propõe o uso de Redes Neurais Probabilísticas com a utilização de algoritmo genético na otimização de seus parâmetros. Diversos parâmetros intrínsecos dessa rede são estudados com o objetivo de se entender sua influência no desempenho da rede. Também é proposto um método para otimização do banco de dados de treinamento, que implica numa grande redução do tamanho da topologia da rede, e portanto, do tempo de processamento, sem afetar a eficiência de diagnóstico da rede. Dois estudos de casos, utilizando dados reais, foram realizados para validar as propostas deste trabalho. Utilizou-se um banco de dados de defeitos em rolamentos e outro de defeitos em engrenamento. Os resultados obtidos mostram a alta confiabilidade de diagnóstico que é possível se obter com a utilização das redes neurais probabilísticas, e do método de otimização do banco de dados. |
| publishDate |
2005 |
| dc.date.none.fl_str_mv |
2005-03-04 |
| 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://www.teses.usp.br/teses/disponiveis/3/3132/tde-26032025-072748/ |
| url |
https://www.teses.usp.br/teses/disponiveis/3/3132/tde-26032025-072748/ |
| dc.language.iso.fl_str_mv |
por |
| language |
por |
| dc.relation.none.fl_str_mv |
|
| dc.rights.driver.fl_str_mv |
Liberar o conteúdo para acesso público. info:eu-repo/semantics/openAccess |
| rights_invalid_str_mv |
Liberar o conteúdo para acesso público. |
| eu_rights_str_mv |
openAccess |
| dc.format.none.fl_str_mv |
application/pdf |
| dc.coverage.none.fl_str_mv |
|
| dc.publisher.none.fl_str_mv |
Biblioteca Digitais de Teses e Dissertações da USP |
| publisher.none.fl_str_mv |
Biblioteca Digitais de Teses e Dissertações da USP |
| dc.source.none.fl_str_mv |
reponame:Biblioteca Digital de Teses e Dissertações da USP instname:Universidade de São Paulo (USP) instacron:USP |
| instname_str |
Universidade de São Paulo (USP) |
| instacron_str |
USP |
| institution |
USP |
| reponame_str |
Biblioteca Digital de Teses e Dissertações da USP |
| collection |
Biblioteca Digital de Teses e Dissertações da USP |
| repository.name.fl_str_mv |
Biblioteca Digital de Teses e Dissertações da USP - Universidade de São Paulo (USP) |
| repository.mail.fl_str_mv |
virginia@if.usp.br|| atendimento@aguia.usp.br||virginia@if.usp.br |
| _version_ |
1865492258461057024 |