Navegando por Assunto "Hierarchical clustering"
Agora exibindo 1 - 1 de 1
Resultados por página
Opções de Ordenação
Trabalho de Curso - Graduação - Monografia Acesso aberto (Open Access) Análise de atributos de sinais de vibração para o diagnóstico de falhas em rolamentos utilizando PCA e clustering hierárquico(0026-07-24) PIANO, Felipe Silveira; BAYMA, Rafael Suzuki; http://lattes.cnpq.br/6240525080111166Nas indústrias, é indispensável obter alta disponibilidade e confiabilidade dos equipamentos para garantir a continuidade operacional das plantas. Nesse contexto, os rolamentos são os componentes de maior ocorrência em máquinas rotativas de plantas industriais. Por isso, o monitoramento das condições desse componente cresceu significativamente nas últimas décadas, e a manutenção preditiva está utilizando técnicas cada vez mais sofisticadas para a detecção e diagnóstico de falhas em rolamentos. As abordagens modernas consistem na análise dos sinais de vibrações e sua classificação por ferramentas de Aprendizado de Máquina. As pesquisas nesse ramo se concentram em métodos de aprendizado supervisionado. Portanto, este trabalho busca contribuir com as lacunas de pesquisas em aprendizado não supervisionado para analisar essas falhas, utilizando as técnicas de Principal Component Analysis (PCA) e Clustering Hierárquico. Os sinais de vibração analisados fazem parte de um banco de dados disponibilizado publicamente, oferecido pela Case Western Reserve University- CWRU. Inicialmente, os sinais são janelados e são obtidos os seguintes atributos no domínio do tempo para cada janela: Nível Global RMS, Fator de Crista, Fator K, Curtose e Assimetria. Com esses atributos, foram elaborados os gráficos de boxplot, histograma, pairplot e matriz de correlação. Em seguida, os atributos são padronizados e é aplicado o PCA para diminuir as ambiguidades e reduzir a dimensionalidade dos dados. As duas primeiras componentes principais foram utilizadas como novos atributos para o Clustering Hierárquico. Por fim, foram elaborados o dendrograma e uma tabela rastreando as classes presentes em cada cluster encontrado. Os resultados demonstraram a viabilidade de se utilizar técnicas de Aprendizado de Máquina não supervisionado na análise de atributos para o diagnóstico de falhas em rolamentos.