Detalhes bibliográficos
| Ano de defesa: |
2022 |
| Autor(a) principal: |
Salmazo, Vinícius de Araújo |
| Orientador(a): |
Não Informado pela instituição |
| Banca de defesa: |
Não Informado pela instituição |
| Tipo de documento: |
Dissertação
|
| Tipo de acesso: |
Acesso aberto |
| Idioma: |
por |
| Instituição de defesa: |
Universidade Estadual Paulista (Unesp)
|
| Programa de Pós-Graduação: |
Não Informado pela instituição
|
| Departamento: |
Não Informado pela instituição
|
| País: |
Não Informado pela instituição
|
| Palavras-chave em Português: |
|
| Link de acesso: |
http://hdl.handle.net/11449/236761
|
Resumo: |
A manutenção é uma atividade que sempre existiu e que com o passar do tempo adquiriu novas dimensões, estando em constante processo de desenvolvimento. No atual cenário, as tecnologias têm evoluído rapidamente, viabilizando estudos e aplicações de novas abordagens para identificação e predição de falhas em sistemas mecânicos. Dentre as diversas invenções tecnológicas desenvolvidas pelo homem, o motor de combustão interna (MCI) se destaca pelos avanços que trouxe para a sociedade moderna. Uma de suas possíveis falhas é a falha de ignição, a qual possui diversas causas e pode ser crítica em relação ao aumento nas emissões de poluentes e perda de desempenho do motor. Trabalhos recentes têm abordado diferentes métodos para identificação da ocorrência desse tipo de falha, alguns empregando técnicas de Inteligência Artificial e Aprendizado de Máquina. Este trabalho tem como objetivo avaliar a aplicação de Redes Neurais Convolucionais (RNC) na identificação de falhas de ignição em MCIs. Para isso, um conjunto de aquisição de baixo custo foi confeccionado empregando um acelerômetro MEMS capacitivo. Sinais de vibração foram coletados a partir de dois MCIs similares de quatro cursos e ignição por centelha operando em quatro condições distintas. Os dados foram preparados no domínio da frequência em duas formas de entrada: utilizando gráficos e em formato de matrizes compactas das amplitudes. Hiperparâmetros (HPs) foram definidos para a RNC utilizando gráficos como entrada enquanto que para a RNC com dados em forma de matrizes alguns HPs foram selecionados por gridsearch. Treinando as RNCs até a convergência com dados do primeiro motor, acurácias superiores a 99% foram alcançadas para as duas redes classificando dados do banco de teste do mesmo motor. Ao classificar dados do segundo motor, o desempenho geral ficou entre 68% e 72%. Em relação ao tempo de classificação, a rede utilizando dados em formato compacto apresentou desempenho sete vezes superior, rotulando dados individuas em um tempo médio inferior a 418µs. Os resultados demonstram grande potencial de aplicação das RNCs em conjunto com o sistema desenvolvido para a tarefa proposta. |
