Técnica de diagnóstico de falhas em motores a combustão interna utilizando aprendizagem de máquina

Edilson Marinho, Antonio Pinto, Cleiton Formiga, Efrain Pantaleón-Matamoros, Carlos Figueroa-Hernández, Sandra O´Farrill-Enrique, Eurico Seabra

Resumen


O cenário industrial atual aponta o aumento da competitividade industrial, da complexidade de máquinas e equipamentos, dos custos de instalações industriais, produtos de alta demanda acrescido da preocupação com os aspectos de segurança industrial e do meio ambiente. Tal tendência induz
as grandes indústrias globais a cada vez mais investirem em dispositivos, tecnologias e ferramentas destinadas a predição de falhas decorrentes de não conformidades e avarias em máquinas, equipamentos e instalações industriais. Diante desse cenário, o campo de atuação que trata da manutenção preditiva, análise de previsão e diagnóstico de falhas ganhou um lugar de destaque, além de diversos investimentos em pesquisa e desenvolvimento, principalmente com políticas voltadas a concepção da indústria 4.0. Com a abordagem da indústria 4.0 é possibilitada a análise
de componentes mecânicos em regime dinâmico e resposta em tempo real, ou seja, sem a necessidade de parar a máquina, o que está diretamente relacionado a diminuição dos custos e tempo de produção. Dito isso, a presente tese tem por objetivo apresentar uma nova  metodologia na detecção e monitoramento de falhas tribológicas em motores a combustão interna, por meio da aprendizagem de máquinas por métodos não supervisionados e big data, utilizando técnicas de processamento de sinais, dos dados coletados de vibração e nível de pressão sonora do motor, utilizando algoritmos baseados em redes neurais artificiais (RNA) e análise de clusters, criando um sistema inteligente capaz de detectar padrões de falhas, a partir das condições de falhas e variação de carga mecânica em motores a combustão interna ciclo Otto.

Palabras clave


Tribologia; motores a combustão interna; Aprendizagem de máquina; Big data; Redes Neurais Artificiais; Diagnóstico de falhas

Texto completo:

PDF

Enlaces refback

  • No hay ningún enlace refback.


Universidad Tecnológica de la Habana José Antonio Echeverría-Cujae
Calle 114 No. 11901 entre Ciclovía y Rotonda, Marianao. La Habana, Cuba. CP 19390
Correo electrónico: revistaingenieria@tesla.cujae.edu.cu
http://rci.cujae.edu.cu