logo-ri

Repositório Institucional da Produção Científica da Marinha do Brasil (RI-MB)

Use este identificador para citar ou linkar para este item: https://www.repositorio.mar.mil.br/handle/ripcmb/846396
Registro completo de metadados
Campo DCValorIdioma
dc.contributor.advisorMonteiro, Ulisses Admar Barbosa Vicentept_BR
dc.contributor.authorGuerra, Victor Nicodemos-
dc.date.accessioned2023-10-16T13:26:51Z-
dc.date.available2023-10-16T13:26:51Z-
dc.date.issued2023-
dc.identifier.urihttps://www.repositorio.mar.mil.br/handle/ripcmb/846396-
dc.descriptionEste trabalho apresenta uma metodologia de diagnóstico de falhas de ignição em um motor Diesel, por meio de técnicas de Aprendizado de Máquinas (AM), com utilização de sinais de vibração. Além disso, estudou-se a quantidade mínima necessária de acelerômetros que permita que os algoritmos de AM mantenham um bom desempenho para diagnóstico de falhas. O banco de dados utilizado neste estudo é composto por sinais de vibração obtidos por meio de 15 acelerômetros instalados no motor. Três algoritmos de AM foram utilizados neste trabalho: k-Nearest Neighbors (K-NN), Random Forest (RF) e Support Vector Machines (SVM). Os resultados mostraram que estes algoritmos foram capazes de obter um F1-Score de 99,87%, 99,87% e 100%, respectivamente, para detecção e identificação de falhas de ignição. Quanto ao estudo que visa a redução do número de sensores, foram utilizados os métodos Relief-F e análise combinatória geral, com o segundo sendo capaz de mostrar que, com dois acelerômetros, foi possível alcançar um desempenho com F1- Score acima de 95%, que é o mínimo requerido, o que comprova a eficiência da metodologia utilizada neste estudo.pt_BR
dc.description.abstractThis work develops a method for misfire diagnosis in a Diesel engine using Machine Learning (ML) techniques and vibration signals. In addition, it performs the study of the minimum number of accelerometers necessary to allow the AM algorithms to maintain a good performance in misfire diagnosis. The database used in this study is composed of vibration signals obtained through 15 accelerometers installed in the engine. Three AM algorithms were used in this work: K-Nearest Neighbors (K-NN), Random Forest (RF) and Support Vector Machines (SVM). The results showed that these algorithms were able to obtain an F1-Score of 99.87%, 99.87% and 100%, respectively, for detection and identification of misfires. Regarding the study of the minimum number of sensors, two methods were used: Relief-F and general combinatorial analysis, with the second being able to show that, with two accelerometers, it was possible to achieve a misfire diagnosis performance with F1-Score above 95%, which is the minimum required, proving the efficiency of the methodology used in this study.pt_BR
dc.language.isopt_BRpt_BR
dc.publisherUniversidade Federal do Rio de Janeiro (UFRJ)pt_BR
dc.rightsopenAccesspt_BR
dc.subjectDiagnóstico de Falhaspt_BR
dc.subjectInteligência Artificialpt_BR
dc.subjectFalha de Igniçãopt_BR
dc.titleDiagnóstico de falhas de ignição em motor diesel marítimo utilizando sinais de vibração e aprendizado de máquinaspt_BR
dc.typemasterThesispt_BR
dc.subject.dgpmEngenharia oceânicapt_BR
Aparece nas coleções:Engenharia Naval: Coleção de Dissertações

Arquivos associados a este item:
Arquivo Descrição TamanhoFormato 
Dissertação_Final_Msc_Victor_Guerra.pdf3,91 MBAdobe PDFVisualizar/Abrir


Os itens no repositório estão protegidos por copyright, com todos os direitos reservados, salvo quando é indicado o contrário.