Técnica de diagnóstico de falhas em motores a combustão interna utilizando aprendizagem de máquina

• Ano de defesa: 2018
• Autor(a) principal: Silva Júnior, Edilson Marinho da
• Orientador(a): Matamoros, Efrain Pantaleon
• Tipo de documento: Tese
• Tipo de acesso: Acesso aberto
• Idioma: por
• Programa de Pós-Graduação: PROGRAMA DE PÓS-GRADUAÇÃO EM ENGENHARIA MECÂNICA
• País: Brasil
• Palavras-chave em Português: Tribologia; Motores a combustão interna; Aprendizagem de máquina; Redes neurais artificial; Diagnóstico de falhas
• Área do conhecimento CNPq: CNPQ::ENGENHARIAS::ENGENHARIA MECANICA
• Link de acesso: https://repositorio.ufrn.br/jspui/handle/123456789/27194

O cenário industrial moderno denota o aumento da competitividade industrial, tendo em vista a complexidade de máquinas e equipamentos – produtos de alta demanda –, os custos de instalações industriais, aliados à preocupação com aspectos de segurança industrial e meio ambiente. Essa tendência induz as grandes indústrias globais a cada vez mais investir em dispositivos, tecnologias e ferramentas destinadas à previsão e predição de falhas decorrentes de não conformidades e avarias em máquinas, equipamentos e instalações industriais. Nesse contexto, o campo de atuação que trata da manutenção preditiva, da análise de previsão e do diagnóstico de falhas ganhou lugar de destaque, além de diversos investimentos em pesquisa e desenvolvimento, principalmente com políticas voltadas à concepção da indústria 4.0. Com a abordagem da indústria 4.0, possibilita-se a análise de componentes mecânicos em regime dinâmico e respostas em tempo real, sem a necessidade de equipamento parado, o que está diretamente relacionado à diminuição dos custos e do tempo de produção. Dito isso, a presente tese tem por objetivo apresentar uma nova metodologia para a detecção e o monitoramento de falhas tribológicas em motores a combustão interna, por intermédio da aprendizagem de máquinas por métodos não supervisionados e Big Data, utilizando técnicas de processamento de sinais aliadas a algoritmos de Redes Neurais Artificiais (RNA) e análise de clusters, criando um sistema inteligente capaz de identificar padrões de falhas a partir das condições destas e da variação de carga mecânica em motores a combustão interna Ciclo Otto.