Rede neural convolucional para o diagnóstico de rolamentos em baixa rotação
| dc.contributor.advisor-co1 | COSTA, Thiago Barroso | |
| dc.contributor.advisor-co1Lattes | http://lattes.cnpq.br/2617134540357756 | pt_BR |
| dc.contributor.advisor1 | SOUSA, Walter dos Santos | |
| dc.contributor.advisor1Lattes | http://lattes.cnpq.br/5903481928919040 | pt_BR |
| dc.creator | SILVA, Jonatas Cruz da | |
| dc.creator.Lattes | http://lattes.cnpq.br/2551472143370389 | pt_BR |
| dc.date.accessioned | 2024-08-01T14:53:39Z | |
| dc.date.available | 2024-08-01T14:53:39Z | |
| dc.date.issued | 2024-05-24 | |
| dc.description.abstract | This work focuses on the application of Convolutional Neural Networks (CNNs) in diagnosing faults in low-speed bearings, a crucial area for ensuring safety and efficiency, particularly in the mining industry. The use of vibration signals presents challenges due to low-speed bearings operating under considerable loads and occasionally under non-stationary conditions. Furthermore, because the energy associated with the bearing fault signal is weak, its monitoring is hindered by noise from other sources that can mask the fault signal. Therefore, signal processing tools and machine learning algorithms have been proposed to address these issues. Among machine learning techniques, deep learning-based diagnostic models have become popular in recent years, especially the Convolutional Neural Network model due to its performance. Thus, this work proposes the development of a diagnostic model in low-speed bearings, based on a convolutional neural network, where the input data is vibration signals that are subsequently transformed into a grayscale image, called a vibration image, and finally used for model training. For model training and validation, vibration signals from a bulk mixer operating at 50 rpm were used, with signals collected from healthy bearings and subsequently from defective bearings with varying degrees of severity and different machinery loading levels. After model training, accuracy is analyzed to evaluate the performance and precision of the proposed model. Therefore, this work aims to create an automated diagnostic tool for low-speed bearing failure with a high level of accuracy, thus facilitating the monitoring of machinery using these types of bearings, ensuring efficiency and safety in industrial sectors. As a result, two automated fault diagnosis models were obtained, one multiclass and the other binary, both achieving excellent results. | pt_BR |
| dc.description.resumo | Este trabalho concentra-se na aplicação de redes neurais convolucionais (CNNs) no diagnóstico de falhas em rolamentos de baixa rotação, uma área crucial para garantir a segurança e a eficiência, principalmente na indústria de mineração. A utilização do sinal de vibração apresenta desafios devido ao fato de os rolamentos de baixa rotação funcionarem sob cargas consideráveis e, ocasionalmente, em condições não estacionárias. Além do mais, devido a energia associada ao sinal da falha no rolamento ser fraca, o seu monitoramento é dificultado pela presença de ruídos provenientes de outras fontes que pode mascarar o sinal da falha. Portanto, ferramentas de processamento de sinal e algoritmos de aprendizado de máquina foram propostos para lidar com essas questões. Dentre as técnicas de aprendizado de máquina, os modelos de diagnósticos baseados em aprendizagem profunda se popularizaram nos últimos anos, principalmente o modelo de rede neural convolucional devido ao seu desempenho. Assim, neste trabalho é proposto a elaboração de um modelo de diagnóstico em rolamentos de baixa rotação, baseado em uma rede neural convolucional, onde os dados de entrada são sinais de vibração que posteriormente são transformados em uma imagem na escala de cinza, denominada de imagem de vibração, e, por fim, utilizado para o treinamento do modelo. Para o treinamento e validação do modelo foram usados sinais de vibração de rolamento de um misturador de granéis que opera com rotação de 50 rpm, sendo estes sinais coletados com os rolamentos saudáveis e, posteriormente, com rolamentos defeituosos com diferentes graus de severidade e com diferentes níveis de carregamento do maquinário. Após o treinamento do modelo é analisado a acurácia para a avaliar o desempenho e precisão do modelo proposto. Portanto, este trabalho visa criar uma ferramenta de diagnóstico automatizada para falha em rolamentos de baixa rotação com um elevado nível de acurácia, assim facilitando o monitoramento de maquinário que utiliza esses tipos rolamentos garantido a eficiência e segurança nos setores industriais. Como resultado, obteve-se dois modelos de diagnóstico automatizado de falha, um multiclasses e outro binário, onde obtiveram excelentes resultados. | pt_BR |
| dc.identifier.citation | SILVA, Jonatas Cruz da. Rede neural convolucional para o diagnóstico de rolamentos em baixa rotação. Orientador: Walter dos Santos Sousa; Coorientador: Thiago Barroso Costa. 2024. 58 f. Trabalho de Curso (Bacharelado em Engenharia Mecânica) – Faculdade de Engenharia Mecânica, Campus Universitário de Tucuruí, Universidade Federal do Pará, Tucuruí, 2024. Disponível em: https://bdm.ufpa.br/jspui/handle/prefix/7093. Acesso em:. | pt_BR |
| dc.identifier.uri | https://bdm.ufpa.br/jspui/handle/prefix/7093 | |
| dc.rights | Acesso Aberto | pt_BR |
| dc.source.uri | Disponível na internet via Sagitta | pt_BR |
| dc.subject | Redes neurais convolucionais | pt_BR |
| dc.subject | Diagnóstico de falha | pt_BR |
| dc.subject | Rolamento de baixa rotação | pt_BR |
| dc.subject | Imagem de vibração | pt_BR |
| dc.subject | Convolutional neural networks | pt_BR |
| dc.subject | Fault diagnosis | pt_BR |
| dc.subject | Low-speed bearing | pt_BR |
| dc.subject | Vibration image | pt_BR |
| dc.subject.cnpq | CNPQ::ENGENHARIAS::ENGENHARIA MECANICA::PROJETOS DE MAQUINAS::ESTATICA E DINAMICA APLICADA | pt_BR |
| dc.subject.cnpq | CNPQ::CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO::METODOLOGIA E TECNICAS DA COMPUTACAO | pt_BR |
| dc.title | Rede neural convolucional para o diagnóstico de rolamentos em baixa rotação | pt_BR |
| dc.title.alternative | Convolutional neural network for low-speed bearing diagnosis | pt_BR |
| dc.type | Trabalho de Curso - Graduação - Monografia | pt_BR |