Diagnóstico de anomalias em aplicações de acionamento de motores elétricos a partir de dados de processo de rede PROFINET e aprendizagem de máquinas

• Ano de defesa: 2019
• Autor(a) principal: Dias, André Luís
• Tipo de documento: Tese
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Biblioteca Digitais de Teses e Dissertações da USP
• Palavras-chave em Português: Condition Monitoring; Real Time Ethernet; Acionamentos de Motores Elétricos; Aprendizagem de Máquinas; Dynamic Systems; Machine Learning; Motion Control Applications; Sistemas Dinâmicos
• Link de acesso: http://www.teses.usp.br/teses/disponiveis/18/18153/tde-10092019-104345/

Este trabalho propõe investigar, desenvolver e validar uma metodologia de projeto para sistemas de diagnóstico para detecção de falhas e anomalias em aplicações de acionamento de motores elétricos, comumente utilizados na indústria de manufatura. A metodologia proposta é baseada na coleta e interpretação de dados de processo de redes PROFINET, perfil PROFIdrive, e ferramentas de aprendizagem de máquinas. Técnicas de extração e redução de atributos são aplicadas nos dados de processo coletados. Estes atributos são utilizados em algoritmos para reconhecimento de padrões, os algoritmos investigados são o k-Nearest Neighbor, Redes Neurais Artificiais, Support Vector Machines, e adicionalmente uma adaptação da metodologia é feita utilizando um algoritmo para detecção de novidades. A avaliação da metodologia considerou quatro cenários para estudos de caso, para falhas comuns em aplicações de máquinas rotativas. Os resultados alcançados demonstram a eficácia da metodologia, que foi capaz de detectar as falhas e anomalias investigadas de maneira satisfatória, similares a trabalhos correlatos, com o diferencial de não exigirem sensores adicionais dedicados na coleta de dados. Desta maneira, o trabalho contribui para área de redes de comunicação industrial, mais especificamente o protocolo PROFINET, diagnósticos de anomalias em máquinas acionadas por motores elétricos, e ferramentas de aprendizagem de máquinas.