Métodos de Inteligência Artificial para classificação automática de defeitos em máquinas rotativas
Rotating machines play a crucial role in industrial applications, requiring efficient maintenance to ensure their safe and continuous operation. Predictive maintenance is preferred in automated factories and process plants, and vibration analysis is widely used for fault detection. Artificial intell...
| Autor principal: | Carvalho, Livia Barroso |
|---|---|
| Grau: | Trabalho de Conclusão de Curso |
| Idioma: | por |
| Publicado em: |
Brasil
2024
|
| Assuntos: | |
| Acesso em linha: |
http://riu.ufam.edu.br/handle/prefix/7907 |
| id |
oai:localhost:prefix-7907 |
|---|---|
| recordtype |
dspace |
| spelling |
oai:localhost:prefix-79072025-03-10T21:16:52Z Métodos de Inteligência Artificial para classificação automática de defeitos em máquinas rotativas Artificial Intelligence methods for automatic classification of defects in rotating machinery Carvalho, Livia Barroso Chui, Danilo de Santana http://lattes.cnpq.br/5006940841845349 Silva Neto, Gustavo Cunha da http://lattes.cnpq.br/9570264281584476 Louzada Neto, Junout Martins http://lattes.cnpq.br/1156178704730204 https://orcid.org/0000-0002-0705-1949 Inteligência artificial Diagnóstico de falhas Manutenção preditiva Máquinas rotativas ENGENHARIAS: ENGENHARIA MECANICA Inteligência computacional Inteligência artificial - Aplicações industriais Localização de falhas (Engenharia) Rotating machines play a crucial role in industrial applications, requiring efficient maintenance to ensure their safe and continuous operation. Predictive maintenance is preferred in automated factories and process plants, and vibration analysis is widely used for fault detection. Artificial intelligence, with machine learning and deep learning algorithms, can automate the diagnostic process, reducing maintenance cycles and improving accuracy. These algorithms can learn complex patterns and relationships in the collected data from rotating machines and, by training a model with this data, artificial intelligence can identify characteristic patterns of different types of faults. The main objective of this work is to contribute to the study of the application of artificial intelligence methods in diagnosing faults in rotating machines through vibration signal analysis. The MAFAULDA database, which contains vibration measurements collected in a fault simulation test rig with different machine health conditions, and three classifier algorithms were selected to obtain the model with the best performance in identifying these conditions. A data preprocessing step was performed to use the vibration data as input for the classifier algorithms, including feature extraction, feature standardization, and data balancing. Then, the three classifier algorithms were implemented and evaluated. Two different classification configurations were tested, the first considering 42 classes with sublevels of each defect, and the second more general, with 10 classes. The second configuration achieved the best results: the Extremely Randomized Trees classifier showed the best overall performance with 96% accuracy, followed by Random Forest and Artificial Neural Network with 95% and 93% accuracy, respectively. These techniques demonstrate significant results, highlighting their potential to improve the efficiency and reliability of predictive maintenance. As máquinas rotativas desempenham um papel crucial em aplicações industriais, exigindo manutenção eficiente para garantir sua operação segura e contínua. A manutenção preditiva é preferida em fábricas automatizadas e plantas de processo, e a análise de vibrações é amplamente utilizada para detectar falhas. A inteligência artificial, com algoritmos de machine learning e deep learning, pode automatizar o processo de diagnóstico, reduzindo o ciclo de manutenção e melhorando sua precisão. Esses algoritmos são capazes de aprender padrões e relações complexas nos dados coletados de máquinas rotativas e, ao treinar um modelo com esses dados, a inteligência artificial pode identificar padrões característicos de diferentes tipos de falhas. O objetivo principal do trabalho é contribuir para o estudo da aplicação de métodos de inteligência artificial no diagnóstico de falhas em máquinas rotativas por meio da análise de sinais de vibração. Selecionou-se a base de dados MAFAULDA, que possui medições de vibração coletadas em uma bancada de simulação de falhas com diferentes condições de saúde da máquina, e três algoritmos classificadores, buscando obter o modelo com melhor desempenho na identificação dessas condições. Para que os dados de vibração pudessem ser utilizados como entrada para os algoritmos classificadores realizou-se uma etapa de pré-processamento de dados, incluindo extração de características, padronização de características e balanceamento de dados. Em seguida, os três algoritmos classificadores foram implementados e avaliados. Foram testadas duas configurações diferentes para classificação, a primeira considerando 42 classes da base de dados, com subníveis de cada defeito, e a segunda mais generalista, com 10 classes. A segunda configuração obteve os melhores resultados: o classificador Extremely Randomized Trees apresentou o melhor desempenho geral, obtendo 96% de acurácia, seguido pelo Random Forest e pela Rede Neural Artificial, com 95% e 93% de acurácia, respectivamente. Dessa forma, observa-se que essas técnicas mostram resultados significativos, evidenciando seu potencial para melhorar a eficiência e confiabilidade da manutenção preditiva. 2 Não 2024-10-02T14:04:27Z 2024-10-02T14:04:27Z 2023-07-14 Trabalho de Conclusão de Curso CARVALHO, Livia Barroso. Métodos de Inteligência Artificial para classificação automática de defeitos em máquinas rotativas. 2023. 101 f. Trabalho de Conclusão de Curso (Bacharelado em Engenharia Mecânica) - Universidade Federal do Amazonas, Manaus, 2023. http://riu.ufam.edu.br/handle/prefix/7907 por Acesso Aberto https://creativecommons.org/licenses/by-nc-nd/4.0/ Brasil FT - Faculdade de Tecnologia Manaus (AM) Engenharia Mecânica - Bacharelado - Manaus |
| institution |
Repositório Institucional - Universidade Federal do Amazonas |
| collection |
RI-UFAM |
| language |
por |
| topic |
Inteligência artificial Diagnóstico de falhas Manutenção preditiva Máquinas rotativas ENGENHARIAS: ENGENHARIA MECANICA Inteligência computacional Inteligência artificial - Aplicações industriais Localização de falhas (Engenharia) |
| spellingShingle |
Inteligência artificial Diagnóstico de falhas Manutenção preditiva Máquinas rotativas ENGENHARIAS: ENGENHARIA MECANICA Inteligência computacional Inteligência artificial - Aplicações industriais Localização de falhas (Engenharia) Carvalho, Livia Barroso Métodos de Inteligência Artificial para classificação automática de defeitos em máquinas rotativas |
| topic_facet |
Inteligência artificial Diagnóstico de falhas Manutenção preditiva Máquinas rotativas ENGENHARIAS: ENGENHARIA MECANICA Inteligência computacional Inteligência artificial - Aplicações industriais Localização de falhas (Engenharia) |
| description |
Rotating machines play a crucial role in industrial applications, requiring efficient maintenance to ensure their safe and continuous operation. Predictive maintenance is preferred in automated factories and process plants, and vibration analysis is widely used for fault detection. Artificial intelligence, with machine learning and deep learning algorithms, can automate the diagnostic process, reducing maintenance cycles and improving accuracy. These algorithms can learn complex patterns and relationships in the collected data from rotating machines and, by training a model with this data, artificial intelligence can identify characteristic patterns of different types of faults. The main objective of this work is to contribute to the study of the application of artificial intelligence methods in diagnosing faults in rotating machines through vibration signal analysis. The MAFAULDA database, which contains vibration measurements collected in a fault simulation test rig with different machine health conditions, and three classifier algorithms were selected to obtain the model with the best performance in identifying these conditions. A data preprocessing step was performed to use the vibration data as input for the classifier algorithms, including feature extraction, feature standardization, and data balancing. Then, the three classifier algorithms were implemented and evaluated. Two different classification configurations were tested, the first considering 42 classes with sublevels of each defect, and the second more general, with 10 classes. The second configuration achieved the best results: the Extremely Randomized Trees classifier showed the best overall performance with 96% accuracy, followed by Random Forest and Artificial Neural Network with 95% and 93% accuracy, respectively. These techniques demonstrate significant results, highlighting their potential to improve the efficiency and reliability of predictive maintenance. |
| author_additional |
Chui, Danilo de Santana |
| author_additionalStr |
Chui, Danilo de Santana |
| format |
Trabalho de Conclusão de Curso |
| author |
Carvalho, Livia Barroso |
| title |
Métodos de Inteligência Artificial para classificação automática de defeitos em máquinas rotativas |
| title_short |
Métodos de Inteligência Artificial para classificação automática de defeitos em máquinas rotativas |
| title_full |
Métodos de Inteligência Artificial para classificação automática de defeitos em máquinas rotativas |
| title_fullStr |
Métodos de Inteligência Artificial para classificação automática de defeitos em máquinas rotativas |
| title_full_unstemmed |
Métodos de Inteligência Artificial para classificação automática de defeitos em máquinas rotativas |
| title_sort |
métodos de inteligência artificial para classificação automática de defeitos em máquinas rotativas |
| publisher |
Brasil |
| publishDate |
2024 |
| url |
http://riu.ufam.edu.br/handle/prefix/7907 |
| _version_ |
1831970069327904768 |
| score |
11.753896 |