Publicação
Machine learning-based fault detection and diagnosis in electric motors
| Resumo: | O diagnóstico de falhas é fundamental para qualquer indústria de manutenção, a detecção precoce de falhas pode evitar falhas catastróficas, bem como perda de tempo e dinheiro. Tendo em vista esses objetivos, a análise de vibração através do domínio da frequência é uma técnica madura. Embora bem estabelecidos, os métodos tradicionais envolvem um alto custo de tempo e pessoas para identificar falhas, fazendo com que os métodos de aprendizado de máquina cresçam nos últimos anos. Os métodos de Machine learning (ML) podem ser divididos em dois grandes grupos de aprendizagem: supervisionado e não supervisionado, sendo a principal diferença entre eles é o conjunto de dados que está rotulado ou não. Este estudo apresenta um total de quatro métodos diferentes para detecção e diagnóstico de falhas. A análise da frequência do sinal de vibração foi a primeira abordagem empregada. foi escolhida para validar os resultados futuros dos métodos de ML. O Gaussian Mixture Model (GMM) foi empregado para a técnica não supervisionada. O GMM é um modelo probabilístico em que todos os pontos de dados são considerados gerados por um número finito de distribuições gaussianas com parâmetros desconhecidos. Para a aprendizagem supervisionada, foi utilizada a Convolutional Neural Network (CNN). CNNs são redes feedforward que foram inspiradas por processos de reconhecimento de padrões biológicos. Todos os métodos foram testados por meio de uma série de experimentos com motores elétricos reais. Os resultados mostraram que todos os métodos podem detectar e classificar os motores em várias condições de operação induzida: íntegra, desequilibrado, folga mecânica, desalinhamento, eixo empenado, barra quebrada e condição de falha do rolamento. Embora todas as abordagens sejam capazes de identificar a falha, cada técnica tem benefícios e limitações que as tornam melhores para certos tipos de aplicações, por isso, também e feita uma comparação entre os métodos. |
|---|---|
| Autores principais: | RIBEIRO JUNIOR, Ronny Francis |
| Assunto: | CNPQ::ENGENHARIAS::ENGENHARIA MECÂNICA Vibração Diagnóstico de falhas Analise de frequência Machine learning Gaussian mixture model Convolution neural network Motor elétrico |
| Ano: | 2021 |
| País: | Brasil |
| Tipo de documento: | dissertação de mestrado |
| Tipo de acesso: | acesso aberto |
| Instituição associada: | IBICT |
| Idioma: | inglês |
| Origem: | Oasisbr |
| Resumo: | O diagnóstico de falhas é fundamental para qualquer indústria de manutenção, a detecção precoce de falhas pode evitar falhas catastróficas, bem como perda de tempo e dinheiro. Tendo em vista esses objetivos, a análise de vibração através do domínio da frequência é uma técnica madura. Embora bem estabelecidos, os métodos tradicionais envolvem um alto custo de tempo e pessoas para identificar falhas, fazendo com que os métodos de aprendizado de máquina cresçam nos últimos anos. Os métodos de Machine learning (ML) podem ser divididos em dois grandes grupos de aprendizagem: supervisionado e não supervisionado, sendo a principal diferença entre eles é o conjunto de dados que está rotulado ou não. Este estudo apresenta um total de quatro métodos diferentes para detecção e diagnóstico de falhas. A análise da frequência do sinal de vibração foi a primeira abordagem empregada. foi escolhida para validar os resultados futuros dos métodos de ML. O Gaussian Mixture Model (GMM) foi empregado para a técnica não supervisionada. O GMM é um modelo probabilístico em que todos os pontos de dados são considerados gerados por um número finito de distribuições gaussianas com parâmetros desconhecidos. Para a aprendizagem supervisionada, foi utilizada a Convolutional Neural Network (CNN). CNNs são redes feedforward que foram inspiradas por processos de reconhecimento de padrões biológicos. Todos os métodos foram testados por meio de uma série de experimentos com motores elétricos reais. Os resultados mostraram que todos os métodos podem detectar e classificar os motores em várias condições de operação induzida: íntegra, desequilibrado, folga mecânica, desalinhamento, eixo empenado, barra quebrada e condição de falha do rolamento. Embora todas as abordagens sejam capazes de identificar a falha, cada técnica tem benefícios e limitações que as tornam melhores para certos tipos de aplicações, por isso, também e feita uma comparação entre os métodos. |
|---|
Atividades financiadas
Não foram encontrados projetos financiados.