| Summary: | Submitted by Johnny Rodrigues (johnnyrodrigues@ufcg.edu.br) on 2018-05-01T14:25:43Z
No. of bitstreams: 1
ADALBERTO GOMES TEIXEIRA JÚNIOR - DISSERTAÇÃO PPGCC 2015..pdf: 2611686 bytes, checksum: 6b9c4a2efc3946611ad0263328434bd1 (MD5) === Made available in DSpace on 2018-05-01T14:25:43Z (GMT). No. of bitstreams: 1
ADALBERTO GOMES TEIXEIRA JÚNIOR - DISSERTAÇÃO PPGCC 2015..pdf: 2611686 bytes, checksum: 6b9c4a2efc3946611ad0263328434bd1 (MD5)
Previous issue date: 2015-07 === Capes === O som gerado por motores em funcionamento contém informações sobre seu estado e condições, tornando-se uma fonte importante para a avaliação de seu funcionamento sem a necessidade de intervenção no equipamento. A análise do estado do equipamento muitas vezes é realizada por diagnóstico humano, a partir da experiência vivenciada no ambiente ruidoso de operação. Como o funcionamento dos motores é regido por um processo periódico, o sinal de áudio gerado segue um padrão bem definido, possibilitando, assim, a avaliação de seu estado de funcionamento por meio desse sinal. Dentro deste contexto, a pesquisa ora descrita trata da modelagem do sinal acústico gerado por motores em usinas termoelétricas, aplicando técnicas de processamento digital de sinais e inteligência artificial, com o intuito de auxiliar o diagnóstico de falhas,
minimizando a presença humana no ambiente de uma sala de motores. A técnica
utilizada baseia-se no estudo do funcionamento dos equipamentos e dos sinais
acústicos por eles gerados por esses, para a extração de características
representativas do sinal, em diferentes domínios, combinadas a métodos de
aprendizagem de máquinas para a construção de um multiclassificador,
responsável pela avaliação do estado de funcionamento desses motores. Para a
avaliação da eficácia do método proposto, foram utilizados sinais extraídos de
motores da Usina Termoelétrica Borborema Energética S.A., no âmbito do
projeto REPARAI (REPair over AiR using Artificial Intelligence, código ANEEL PD6471-0002/2012). Ao final do estudo, o método proposto demonstrou acurácia próxima a 100%. A abordagem proposta caracterizou-se, portanto, como eficiente para o diagnóstico de falhas, principalmente por não ser um método invasivo, não exigindo, portanto, o contato direto do avaliador humano com o motor em funcionamento. === The sound generated by an engine during operation contains information about
its conditions, becoming an important source of information to evaluate its status
without requiring intervention in equipment. The fault diagnosis of the engine
usually is performed by a human, based on his experience in a noisy
environment. As the operation of the engine is a periodic procedure, the
generated signal follows a well-defined pattern, allowing the evaluation of its
operating conditions. On this context, this research deals with modeling the
acoustic signal generated by engines in power plants, using techniques from
digital signal processing and artificial intelligence, with the purpose of assisting
the fault diagnosis, minimizing the human presence at the engine room. The
technique applied is based on the study of engines operation and the acoustic
signal generated by them, extracting signal representative characteristics in
different domains, combined with machine learning methods, to build a multiclassifier
to evaluate the engines status. Signals extracted from engines of
Borborema Energética S.A. power plant, during the REPARAI Project (REPair over
AiR using Artificial Intelligence), ANEEL PD-6471-0002/2012, were used in the
experiments. In this research, the method proposed has demonstrated an
accuracy rate of nearly 100%. The approach has proved itself to be efficient to
fault diagnosis, mainly by not being an invasive method and not requiring human
direct contact with the engine.
|
|---|
