Utilize este identificador para referenciar este registo:
https://hdl.handle.net/1822/57386
Título: | Monitorização de máquinas industriais recorrendo a técnicas de Data Mining e Machine Learning |
Autor(es): | Oliveira, Ana Margarida Aires Cancelinha |
Orientador(es): | Lopes, Sérgio F. Pereira, Carla Susana Correia |
Palavras-chave: | Monitorização de máquinas Sinais de vibração Noise Vibration and harshness (NHV) Data mining Machine learning Machine monitoring Vibration signals |
Data: | 2017 |
Resumo(s): | Hoje em dia, está-se perante uma 4ª revolução industrial marcada pela utilização das tecnologias da informação nos processos industriais.
A monitorização contínua de vários parâmetros que contribuem para o bom funcionamento das máquinas é um processo que engloba uma grande recolha de dados e a sua análise. Estes dados recolhidos contêm muita informação útil que pode ser utilizada para uma melhor execução de tarefas ou tomada de decisões.
Um sistema de monitorização, que recorre a Data Mining e Machine Learning, concede grandes vantagens às empresas, como a redução de custos de manutenção, tempo de inatividade, entre outras.
Nesta dissertação, desenvolveu-se um sistema de deteção e previsão de falha de componentes rotativos, aplicando técnicas de data mining e machine learning a dados de vibração extraídos de máquinas industriais.
Numa primeira fase, os dados de vibração armazenados foram pré-processados com diferentes métodos, de forma a extrair as características mais relevantes para o problema em causa. De seguida, foram aplicados vários algoritmos de Data Mining com o objetivo de obter toda a informação útil. Após a obtenção dessa informação, aplicaram-se técnicas de Machine Learning com o objetivo de tomar as melhores decisões sobre a máquina, considerando a informação extraída.
Vários casos foram estudados e implementados, contudo os melhores resultados surgiram da utilização das técnicas de pré-processamento Discrete Wavelet Transform (DWT) e Empirical Mode Decomposition (EMD) associadas ao classificador Support Vector Data Description (SVDD). Today, we are facing a 4th industrial revolution marked by the use of information technology in industrial processes. The continuous monitoring of several parameters which ensure proper operation of a machine, it’s a process that includes massive data collection and analysis. The collected data has useful information that can be used for a better task execution or decision making. A monitoring system, which uses Data Mining and Machine Learning, brings great advantages to industry like the reduction of maintenance costs and downtime. In this dissertation, a failure prediction and detection system for rotating components is developed by applying Data Mining and Machine Learning techniques to vibration data extracted from industrial machines. Initially, the storage vibration data is preprocessed with different methods, in order to extract the most relevant features for the problem in question. Next, several Data Mining algorithms were applied to obtain all useful information. After obtaining the information, Machine Learning techniques were applied to make the best decisions about the machine, considering the information extracted. Several cases were studied and implemented, but the best results were obtained using the Discrete Wavelet Transform (DWT) and Empirical Mode Decomposition (EMD) preprocessing techniques associated with the Support Vector Data Description (SVDD) classifier. |
Tipo: | Dissertação de mestrado |
Descrição: | Dissertação de mestrado integrado em Engenharia Eletrónica Industrial e Computadores |
URI: | https://hdl.handle.net/1822/57386 |
Acesso: | Acesso aberto |
Aparece nas coleções: | BUM - Dissertações de Mestrado DEI - Dissertações de mestrado |
Ficheiros deste registo:
Ficheiro | Descrição | Tamanho | Formato | |
---|---|---|---|---|
Ana Margarida Aires Cancelinha Oliveira.pdf | Dissertação de Mestrado | 4,65 MB | Adobe PDF | Ver/Abrir |