Métodos de inteligência artificial para diagnóstico de defeitos em máquinas rotativas

DSpace Repository

A- A A+

Métodos de inteligência artificial para diagnóstico de defeitos em máquinas rotativas

Show simple item record

dc.contributor Universidade Federal de Santa Catarina pt_BR
dc.contributor.advisor Costa, Márcio Holsbach
dc.contributor.author Silva, Mateus Cichelero da
dc.date.accessioned 2018-12-03T17:04:23Z
dc.date.available 2018-12-03T17:04:23Z
dc.date.issued 2018-11-30
dc.identifier.uri https://repositorio.ufsc.br/handle/123456789/191755
dc.description TCC (graduação) - Universidade Federal de Santa Catarina. Centro Tecnológico. Engenharia Elétrica. pt_BR
dc.description.abstract Neste trabalho são apresentados conceitos, técnicas e padrões utilizados na área de manutenção preditiva de máquinas rotativas elétricas, mais precisamente na aplicação de métodos de inteligência artificial para diagnóstico de defeitos mecânicos através da análise de sinais de vibração. Um cenário de experimentos foi configurado através da utilização da base de dados de defeitos mecânicos MAFAULDA, que conta com seis condições distintas de saúde de máquinas rotativas elétricas. Estes dados são tratados por meio de técnicas de pré-processamento para extração de um vetor de características, utilizado como entrada para cinco métodos distintos de classificação: k-nearest neighbors (k-NN), Naive Bayes, Support Vector Machine (SVM), Regressão Logística e Redes Neurais Artificiais. São definidas métricas de desempenho para comparação dos métodos analisados, como a acurácia e sensibilidade. Por fim, testes estatísticos de hipótese são aplicados para confirmar a distinção de desempenho dos classificadores e um ranking é definido. pt_BR
dc.description.abstract This work presents concepts, techniques and standards used in the field of predictive maintenance of electric machines, more precisely in the application of artificial intelligence methods for the diagnosis of mechanical defects through the analysis of vibration signals. An experimental scenario was set up using the MAFAULDA mechanical fault database, which has six distinct machine health conditions. These data are treated by preprocessing techniques to obtain a vector of characteristics, to be used as input for five distinct classification methods: k-nearest neighbors (k-NN), Naive Bayes, Support Vector Machine (SVM), Logistic Regression, and Artificial Neural Networks. Performance metrics are applied for comparison of the analyzed methods , such as accuracy and sensitivity. Finally, statistical tests of hypothesis are applied to confirm the distinction of performance of the classifiers, and a ranking is defined. pt_BR
dc.format.extent 94 f. pt_BR
dc.language.iso por pt_BR
dc.publisher Florianópolis, SC pt_BR
dc.subject Manutenção Preditiva pt_BR
dc.subject Machine Learning pt_BR
dc.subject Inteligência Artificial pt_BR
dc.title Métodos de inteligência artificial para diagnóstico de defeitos em máquinas rotativas pt_BR
dc.type TCCgrad pt_BR
dc.contributor.advisor-co Mourão, Gustavo Leão


Files in this item

Files Size Format View
TCC_MateusCichelero.pdf 2.489Mb PDF View/Open

This item appears in the following Collection(s)

Show simple item record

Search DSpace


Advanced Search

Browse

My Account

Statistics

Compartilhar