PPGEP-CAA PROGRAMA DE PÓS-GRADUAÇÃO EM ENGENHARIA DE PRODUÇÃO - CAA CENTRO ACADÊMICO DO AGRESTE - CAA Telefone/Ramal: Não informado

Banca de DEFESA: EGGLESTON PATRICIO DE OLIVEIRA SOUZA

Uma banca de DEFESA de MESTRADO foi cadastrada pelo programa.
DISCENTE: EGGLESTON PATRICIO DE OLIVEIRA SOUZA
DATA : 22/02/2024
HORA: 14:00
LOCAL: Google Meet (meet.google.com/dnb-behq-wqu)
TÍTULO:

Comparação e Modelos de Machine Learning e Convolutional Neural Networks na Detecção de Falhas em Máquinas Rotativas


PALAVRAS-CHAVES:

Máquinas Rotativas; Machine Learning; Convolutional Neural Networks; Modelos de Detecção de Falhas


PÁGINAS: 51
RESUMO:

Máquinas rotativas possuem uma importância crucial na produção industrial e sua presença é indispensável em diversas indústrias. No entanto, a suscetibilidade dessas máquinas a falhas pode resultar em problemas que variam desde a redução da eficiência até riscos de segurança e interrupção total da produção. O monitoramento contínuo é vital para identificar precocemente sinais de degradação e prevenir falhas graves. Nesse contexto, a manutenção preditiva, fundamentada no monitoramento constante das condições das máquinas, destaca-se como uma abordagem eficaz para otimizar a eficiência operacional e prolongar a vida útil dos equipamentos. Este trabalho desenvolve e aplica diferentes modelos de aprendizado de máquina e aprendizado profundo para o diagnóstico de falhas em máquinas rotativas. Especificamente, a dissertação realiza uma análise comparativa entre modelos de Convolutional Neural Networks (CNN), Support Vector Machine (SVM), regressão logística, Multilayer Perceptron (MLP), e RandomForest (RF), considerando a base de dados de vibração para rolamentos da Case Western Reserve University (CWRU). Os modelos avaliados apresentaram as seguintes acurácias: SVM (97%), Regressão Logística (94%), MLP (96%), Random Forest (96%), e CNN (75%). Os resultados destacam a eficácia do modelo, com o SVM. A avaliação do desempenho dos modelos de detecção de falhas é útil para o planejamento da manutenção, proporcionando informações sobre a eficácia de cada modelo em reconhecer diversos tipos de falhas em máquinas rotativas.


MEMBROS DA BANCA:
Externa à Instituição - ANA CLAUDIA SOUZA VIDAL DE NEGREIROS - UFERSA
Presidente - 1017903 - CAIO BEZERRA SOUTO MAIOR
Interno - ***.564.594-** - LUCIANO CARLOS AZEVEDO DA COSTA - EPM
Notícia cadastrada em: 05/02/2024 12:14
SIGAA | Superintendência de Tecnologia da Informação (STI-UFPE) - (81) 2126-7777 | Copyright © 2006-2024 - UFRN - sigaa06.ufpe.br.sigaa06