Diagnóstico e análise de falhas em máquinas rotativas através do agoritmo de seleção negativa com aprendizagem contínua

• Ano de defesa: 2023
• Autor(a) principal: Lourenço, Rodrigo Francisco Borges
• Tipo de documento: Tese
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Universidade Estadual Paulista (Unesp)
• Palavras-chave em Português: SHM; Aprendizagem de máquina; Desbalanceamento; Sistemas imunológicos artificiais; Machine learning; Imbalance; Artificial immune systems
• Link de acesso: http://hdl.handle.net/11449/239669

Com processos produtivos cada vez mais otimizados e eficientes, máquinas e equipamentos rotativos são indispensáveis na maioria dos projetos mecânicos. Eles são responsáveis pelo fornecimento e transferência de forças das plantas industriais, e sua disponibilidade influencia diretamente na produtividade, lucratividade e segurança dos funcionários. A falha nesse tipo de equipamento provoca variações nos parâmetros espaciais da estrutura e modifica seu comportamento dinâmico através da variação da rigidez, massa e amortecimento. Os sistemas de monitoramento de integridade estrutural, do inglês, Structural Health Monitoring (SHM), através da utilização de ferramentas tecnológicas avançadas, como: sensores e técnicas inteligentes, lógica fuzzy e sistemas imunológicos artificiais, são capazes de identificar danos em seu estágio inicial, mensurar a gravidade do problema e otimizar os procedimentos para solução do mesmo. O objetivo dessa pesquisa é o projeto e desenvolvimento de um SHM baseado em técnicas de computação inteligente, através um algoritmo de sistemas imunológicos artificiais com seleção negativa e aprendizado continuado, capaz de detectar, classificar e quantificar falhas estruturais em sistemas dinâmicos rotativos. Verificou-se o desempenho do algoritmo de seleção negativa (ASN) de forma isolada, que apresentou bons resultados quando os danos eram conhecidos e constavam no banco de detectores. Quando esses dados não constavam no banco de dados, o algoritmo foi incapaz de reconhece-los, justificando-se a integração do algoritmo de seleção clonal (CLONALG) ao algoritmo de seleção negativa (ASN) que, nesse caso, foi capaz de identificar os danos com eficiência e robustez.