Identificação de falhas em máquinas rotativas: machine learning e Marinha do Brasil

Silva, Felipe Alves da

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/846935

Registro completo de metadados

Campo DC	Valor	Idioma
dc.contributor.advisor	Dr. Dionísio Henrique Carvalho de Sá Só Martins	pt_BR
dc.contributor.author	Silva, Felipe Alves da	-
dc.date.accessioned	2024-05-24T11:58:21Z	-
dc.date.available	2024-05-24T11:58:21Z	-
dc.date.issued	2023	-
dc.identifier.uri	https://www.repositorio.mar.mil.br/handle/ripcmb/846935	-
dc.description	O presente trabalho tem possui como objetivo prover um diagnóstico acurado para a identificação de falhas de desbalanceamento, desalinhamento horizontal e desalinhamento vertical em máquinas rotativas, a partir da utilização de técnicas de processamento de dados e Machine Learning, justificando a importância da implementação de procedimentos semelhantes na Marinha do Brasil. Para isso foi utilizada uma base de dados com sinais de vibração adquiridos de uma bancada experimental, realizado o processamento dos dados adquiridos, a extração de característica desses dados, realizado o treinamento de dois algoritmos de inteligência artificial (Adaptive Boosting tree e Rede Neural Artificial) para efetuar o diagnóstico da máquina rotativa, execução de técnica de seleção de características com a finalidade de escolher os atributos com a maior capacidade de discriminação e, posteriormente, analisar e propor o algoritmo mais recomendado e os fatores que corroboram para a aplicação de técnicas de inteligência artificial na Marinha do Brasil. Como resultado chegou-se a uma acurácia de 98,5% utilizando Rede Neural Artificial e 99,0% utilizando o Adaptive Boosting tree que, juntamente com a análise comparativa de outras métricas (especificidade, revocação, precisão, F1-score e velocidade de processamento) contribuem para a conclusão que, para o banco de dados utilizado, o algoritmo Adaptive Boosting tree é mais recomendado para a identificação de falhas de desbalanceamento, desalinhamento horizontal e desalinhamento vertical em máquinas rotativas. Por fim, a partir da missão da Marinha do Brasil e do previsto no Plano Estratégico da Marinha, concluiu-se que a redução de custos de manutenção e o aumento da disponibilidade e da confiabilidade das máquinas rotativas são razões pelas quais se justifica a implementação de técnicas de aprendizagem de máquinas no sistema de manutenção da Marinha do Brasil.	pt_BR
dc.language.iso	pt_BR	pt_BR
dc.publisher	Centro de Instrução Almirante Alexandrino (CIAA)	pt_BR
dc.rights	openAccess	pt_BR
dc.subject	Máquinas rotativas	pt_BR
dc.subject	Manutenção preditiva	pt_BR
dc.subject	Machine learning	pt_BR
dc.title	Identificação de falhas em máquinas rotativas: machine learning e Marinha do Brasil	pt_BR
dc.type	bachelorThesis	pt_BR
dc.subject.dgpm	Máquinas e motores	pt_BR
Aparece nas coleções:	Engenharia Naval: Coleção de Trabalhos de Conclusão de Curso

Arquivos associados a este item:

Arquivo	Descrição	Tamanho	Formato
TCC CApA_Felipe Silva.pdf		1,16 MB	Adobe PDF	Visualizar/Abrir

Mostrar registro simples do item Visualizar estatísticas