Please use this identifier to cite or link to this item: https://bdm.ufpa.br:8443/jspui/handle/prefix/3372
Compartilhar:
metadata.dc.type: Trabalho de Conclusão de Curso - Graduação
Title: Prognóstico de falhas baseado em redes neurais convolucionais: uma análise para estimar a vida útil remanescente de turbinas turbofan
metadata.dc.creator: SILVA, William Machado da
metadata.dc.contributor.advisor1: BAYMA, Rafael Suzuki
Issue Date: 3-Jun-2021
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 Conclusão de Curso (Bacharelado em 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:.
metadata.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.
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.
metadata.dc.subject.cnpq: CNPQ::ENGENHARIAS
Keywords: Aprendizado profundo
Redes neurais convolucionais
Manutenção e reparos
Vida útil (Engenharia)
metadata.dc.rights: Acesso Aberto
metadata.dc.source.uri: Disponível na Internet via Sagitta
Appears in Collections:Faculdade de Engenharia Elétrica - FEE/CAMTUC

Files in This Item:
File Description SizeFormat 
TCC_PrognosticoFalhasBaseado.pdf2,32 MBAdobe PDFView/Open


This item is licensed under a Creative Commons License Creative Commons