Publicação
Monitorização de máquinas industriais recorrendo a técnicas de Data Mining e Machine Learning
| Resumo: | 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). |
|---|---|
| Autores principais: | Oliveira, Ana Margarida Aires Cancelinha |
| Assunto: | Monitorização de máquinas Sinais de vibração Noise Vibration and harshness (NHV) Data mining Machine learning Machine monitoring Vibration signals |
| Ano: | 2017 |
| País: | Portugal |
| Tipo de documento: | dissertação de mestrado |
| Tipo de acesso: | acesso aberto |
| Instituição associada: | Universidade do Minho |
| Idioma: | português |
| Origem: | RepositóriUM - Universidade do Minho |
| Resumo: | 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). |
|---|