Use este identificador para citar ou linkar para este item: http://www.monografias.ufop.br/handle/35400000/4227
Registro completo de metadados
Campo Dublin CoreValorIdioma
dc.contributor.advisorLeite, Sarah Negreiros de Carvalhopt_BR
dc.contributor.authorSouza, Juliana Batista Rosa de-
dc.date.accessioned2022-06-28T20:49:38Z-
dc.date.available2022-06-28T20:49:38Z-
dc.date.issued2022pt_BR
dc.identifier.citationSOUZA, Juliana Batista Rosa de. Diagnóstico preditivo em máquinas elétricas: análise com classificadores e técnicas de sobreamostragem. 2022. 32 f. Monografia (Graduação em Engenharia Elétrica) - Instituto de Ciências Exatas e Aplicadas, Universidade Federal de Ouro Preto, João Monlevade, 2022.pt_BR
dc.identifier.urihttp://www.monografias.ufop.br/handle/35400000/4227-
dc.description.abstractAs máquinas elétricas são amplamente empregadas em processos de produção industrial. Dessa forma é de suma importância que haja mecanismos que façam o diagnóstico de uma falha inicial, enquanto as máquinas ainda estão em operação, para evitar uma falha mais significativa. Dentre as funções operacionais e administrativas, a produção e a manutenção apresentam grande relevância, uma vez que os produtos ou serviços precisam ser entregues com qualidade no tempo solicitado. Assim, os diferentes tipos de manutenção possuem uma enorme importância estratégica que reflete diretamente a nível operacional e logístico de uma empresa. A manutenção preditiva visa reduzir o tempo fora de serviço, perdas na produção, quebra dos equipamentos e ainda garante uma operação produtiva confiável e consistente dos sistemas industriais. Essa prática se dá a partir da coleta, monitoramento e análise de diversos parâmetros dos equipamentos. Neste trabalho é realizada a análise de dados sintéticos de uma base de dados pública, considerando medições em máquinas elétricas de qualidade baixa, média e alta. Foram propostos e implementados sistemas de identificação das máquinas elétricas que apresentavam falhas. Foram empregadas cinco técnicas de balanceamento de amostras entre as classes ‘com falha’ e ‘sem falha’, sendo: SMOTE (Synthetic Minority Oversampling Technique), ADASYN (Adaptive Synthetic Sampling Method) e Borderline SMOTE, exclusão de amostras da classe majoritária e, por último, foi considerado o caso sem balanceamento de amostras entre as classes. Os resultados mostraram a importância do equilíbrio das amostras entre as classes de máquinas ‘com falha’ e ‘sem falha’ para projetar o sistema de classificação. Também foram configurados dois classificadores: classificador linear baseado no método dos mínimos quadrados e redes neurais do tipo Multilayer Perceptron (MLP). A combinação entre as abordagens de balanceamento (ou não) das classes e os classificadores gerou 9 cenários de testes. O melhor desempenho (96,49% de acurácia) foi obtido combinando a técnica de sobreamostragem Borderline SMOTE com a rede MLP.pt_BR
dc.language.isopt_BRpt_BR
dc.subjectAprendizado do computadorpt_BR
dc.subjectControle preditivopt_BR
dc.subjectLocalização de falhas - engenharia - manutençãopt_BR
dc.subjectMáquinas elétricaspt_BR
dc.subjectMáquinas - manutenção e reparospt_BR
dc.titleDiagnóstico preditivo em máquinas elétricas : análise com classificadores e técnicas de sobreamostragem.pt_BR
dc.typeTCC-Graduaçãopt_BR
dc.contributor.refereeLeite, Sarah Negreiros de Carvalhopt_BR
dc.contributor.refereeZvietcovich, Wilingthon Guerrapt_BR
dc.contributor.refereeGarcia, Fábio Lumertzpt_BR
dc.description.abstractenElectric machines are extensively deployed in industrial production processes. Thus therefore it is of utmost importance to have mechanisms in place that can diagnose an initial failure while the machines are still in operation, to avoid a more significant failure. Among the operational and administrative functions, production and maintenance are of great relevance, since the products or services need to be delivered with quality in the required time. In this way, the different types of maintenance have an enormous strategic importance that reflects directly on the operational and logistical level of a company. Predictive maintenance aims to reduce out-of-service time, production losses, equipment breakdown, and also ensures a reliable and consistent productive operation of industrial systems. This practice is based on the collection, monitoring and analysis of various parameters of equipment. In this work, the analysis of synthetic data from a public database is performed, considering measurements on electrical machines of low, medium and high quality. Systems were proposed and implemented to identify the electric machines that presented failures. Five techniques of sample balancing between ’with fail’ and ’without fail’ classes were employed, electric machines of low, medium and high quality. Systems were proposed and implemented to identify the electric machines that presented failures. Five techniques of sample balancing between ’with fault’ and ’without fault’ classes were employed, as follows: SMOTE (Synthetic Minority Oversampling Technique), ADASYN (Adaptive Synthetic Sampling Method) and Borderline SMOTE, exclusion of samples from the majority class, and lastly, the case without balancing the samples between the classes. The results showed the importance of the classes of ’with fail’ and ’without fail’ machines in designing the classification system. Two classifiers were also configured: linear classifier based on the least-squares method and Multilayer Perceptron (MLP) neural networks. The combination between the class balancing approaches and the classifiers generated 9 test scenarios. The best performance (96.49% accuracy) was obtained by combining the Borderline SMOTE oversampling technique with the MLP network.pt_BR
dc.contributor.authorID12.2.8066pt_BR
Aparece nas coleções:Engenharia Elétrica - JMV

Arquivos associados a este item:
Arquivo Descrição TamanhoFormato 
MONOGRAFIA_DiagnósticoPreditivoMáquinas.pdf2,75 MBAdobe PDFVisualizar/Abrir


Este item está licenciado sob uma Licença Creative Commons Creative Commons