Uso de técnicas de aprendizado de máquina para previsão de falhas em turbogeradores
| Autor: | Carvalho, Gustavo Luís Almeida de |
|---|---|
| Přispěvatelé: | Lima, Amaro Azevedo de, Silva, Eduardo Antônio Barros da, Haddad, Diego Barreto, Lima Netto, Sergio |
| Jazyk: | portugalština |
| Rok vydání: | 2018 |
| Předmět: | |
| Zdroj: | Repositório Institucional da UFRJ Universidade Federal do Rio de Janeiro (UFRJ) instacron:UFRJ |
| Popis: | 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: 2018-03 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. 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. |
| Databáze: | OpenAIRE |
| Externí odkaz: |
|