Prognóstico de falhas baseado em redes neurais convolucionais: uma análise para estimar a vida útil remanescente de turbinas turbofan
| dc.contributor.advisor1 | BAYMA, Rafael Suzuki | |
| dc.contributor.advisor1Lattes | http://lattes.cnpq.br/6240525080111166 | pt_BR |
| dc.creator | SILVA, William Machado da | |
| dc.creator.Lattes | http://lattes.cnpq.br/3606412976353988 | pt_BR |
| dc.date.accessioned | 2021-07-06T14:59:25Z | |
| dc.date.available | 2021-07-06T14:59:25Z | |
| dc.date.issued | 2021-06-03 | |
| dc.description.abstract | This work proposes a deep learning method for estimating the remaining useful life (RUL) of turbofan turbines. It presents a convolutional neural network (CNN) architecture. The proposed method is applied to a NASA data set for the RUL estimate, by varying the set of sensors and the form of turbine degradation in two models: linear RUL and piecewise linear RUL. Experimental results are compared with each other and with other methods found in the literature; the results show that the proposed piecewise linear RUL method exhibits similar performance found in other published works in terms of root mean squared error and a specific error metric used in competitions. | pt_BR |
| dc.description.resumo | Este trabalho propõe um método baseado em aprendizado profundo para estimar a vida útil remanescente (RUL do inglês, Remaining Useful Life) de turbinas turbofan. É apresentada uma arquitetura de rede neural convolucional (CNN do inglês, Convolutional Neural Network). O método proposto é aplicado a um conjunto de dados da NASA (do inglês, National Aeronautics and Space Administration) para a estimativa RUL, variando o conjunto de sensores e a forma de degradação das turbinas em dois modelos: RUL linear e RUL linear por partes. Os resultados experimentais são comparados entre si e com outros métodos encontrados na literatura, as comparações mostram que o método proposto RUL linear por partes apresenta desempenho comparável aos outros trabalhos publicados em termos da raiz do erro quadrático médio (RMSE do inglês, Root Mean Square Error) e uma métrica específica de competições de prognósticos. | pt_BR |
| dc.identifier.citation | SILVA, William Machado da. Prognóstico de falhas baseado em redes neurais convolucionais: uma análise para estimar a vida útil remanescente de turbinas turbofan. Orientador: Rafael Suzuki Bayma. 2021. 59 f. Trabalho de Curso (Bacharelado em Engenharia Elétrica) – Faculdade de Engenharia Elétrica, Campus Universitário de Tucuruí, Universidade Federal do Pará, Tucuruí, 2021. Disponível em: https://bdm.ufpa.br:8443/jspui/handle/prefix/3372. Acesso em:. | pt_BR |
| dc.identifier.uri | https://bdm.ufpa.br/handle/prefix/3372 | |
| dc.language | por | pt_BR |
| dc.rights | Acesso Aberto | pt_BR |
| dc.source.uri | Disponível na Internet via Sagitta | pt_BR |
| dc.subject | Aprendizado profundo ( Aprendizado do computador) | pt_BR |
| dc.subject | Redes neurais convolucionais | pt_BR |
| dc.subject | Manutenção e reparos | pt_BR |
| dc.subject | Vida útil (Engenharia) | pt_BR |
| dc.subject.cnpq | CNPQ::ENGENHARIAS | pt_BR |
| dc.title | Prognóstico de falhas baseado em redes neurais convolucionais: uma análise para estimar a vida útil remanescente de turbinas turbofan | pt_BR |
| dc.type | Trabalho de Curso - Graduação - Monografia | pt_BR |