dc.contributor.advisor | Souza, Carlos Eduardo de | |
dc.creator | Silveira, Marcos Vinícius Quinteiro | |
dc.date.accessioned | 2022-08-23T17:49:54Z | |
dc.date.available | 2022-08-23T17:49:54Z | |
dc.date.issued | 2022-08-01 | |
dc.date.submitted | 2022-08-18 | |
dc.identifier.uri | http://repositorio.ufsm.br/handle/1/25954 | |
dc.description.abstract | In practically all machines used inside a factory there is an electric motor, responsible for
moving components. As with other mechanisms, engines are subject to operating failures. With
the extensive use of these equipments to meet current manufacturing needs, it is essential that a
maintenance stop, even when scheduled and routine, is an event that is atypical of the day-today
routine of a large company or industry and, as a result, generates economic losses. With the
rise of Industry 4.0, the use of computational methods to predict and prevent unexpected stops
is becoming more and more abundant. Machine learning methods are being developed regularly
to meet the needs for systems that predict equipment failures. One of the main steps for
the development of such techniques is the learning itself. These learnings depend on a training
dataset, that must be as effective as possible to develop efficient and reliable predictive systems.
The objective of this work is to develop a computational model to simulate and extract data from
an electric motor under different operating conditions, in order to study which parameters extracted
from this are the most suitable for the development of an effective database. To achieve
this objective, a study of numerical models of electric motors with five degrees of freedom was
carried out, as well as a study of data statistics to have a better quantitative understanding of the
data extracted from the developed computational system. Simulations were carried out where
the engine was placed under different operating conditions, varied structural characteristics and
different types of data were extracted, and such data evaluated in a quantitative way. For this
experiment, the methodology used covered the open use programming language Python for the
application of numerical models, in addition to validation through bibliographic data for the
proposed model. In it, the result of one of the degrees of freedom developed in the proposed
model did not observe the sensitivity to the structural parameter, two parameters were more
sensitive than the other two, showing the method to be effective in the study and development
of a database, but not used in real cases, due to the different assumptions made in the study.
Keywords: Simulation. | eng |
dc.language | por | por |
dc.publisher | Universidade Federal de Santa Maria | por |
dc.rights | Acesso Aberto | por |
dc.subject | Simulação | por |
dc.subject | Motores elétricos | por |
dc.subject | Banco de dados | por |
dc.subject | Aprendizado de máquinas | por |
dc.subject | Prognóstico de falhas | por |
dc.subject | Simulation | eng |
dc.subject | Eletrical motors | eng |
dc.subject | Database | eng |
dc.subject | Machine learning | eng |
dc.subject | Fault prognosis | eng |
dc.title | Simulação numérica de motores elétricos e construção de banco de dados para plataforma de prognóstico de falhas | por |
dc.title.alternative | Numerical simulation of electric motors and database construction for fault prognosis platform | eng |
dc.type | Trabalho de Conclusão de Curso de Graduação | por |
dc.degree.local | Santa Maria, RS, Brasil. | por |
dc.description.resumo | Em praticamente todas as máquinas utilizadas dentro de uma fábrica existe um motor
elétrico, responsável pela movimentação de componentes. Assim como demais mecanismos,
os motores estão sujeitos a falhas em operação. Com a extensa utilização destes equipamentos
para suprir as necessidades atuais de manufatura, é imprescindível que a realização de uma
parada de manutenção, mesmo quando programada e rotineira, é um evento atípico à normalidade
do dia a dia de uma grande empresa ou indústria e, com isso, gera perdas econômicas.
Com a ascensão da indústria 4.0, a utilização de métodos computacionais para prever e impedir
paradas inesperadas está cada vez mais abundante. Métodos de aprendizado de máquinas
estão sendo desenvolvidos a todo momento para suprir a necessidade de sistemas que preveem
falhas de equipamentos. Um dos principais passos para o desenvolvimento de tais técnicas é
o aprendizado propriamente dito. Estes aprendizados dependem de um conjunto de dados de
treinamento, que devem ser o mais eficaz possível para ser desenvolvido um modelo preditivo
eficiente e confiável. O objetivo deste trabalho é desenvolver um modelo computacional para
simular e extrair dados de um motor elétrico sob diferentes condições de funcionamento, para
assim, se estudar quais parâmetros extraídos desse são os mais aptos para o desenvolvimento
de um banco de dados eficaz. Para atingir este objetivo, foi feito um estudo de modelos numéricos
de motores elétricos com cinco graus de liberdade, bem como um estudo da estatística de
dados para se ter um melhor entendimento quantitativo dos dados extraídos do sistema computacional
desenvolvido. Foram realizadas simulações onde o motor foi colocado sob diferentes
condições de funcionamento variado características estruturais e extraídos diferentes tipos de
dados e avaliado tais dados de forma quantitativa. Para este experimento, a metodologia utilizada
abrangeu a linguagem de programação de utilização aberta Python para a aplicação dos
modelos numéricos, além de validação através de dados bibliográficos para o modelo proposto.
Nele, o resultado de um dos graus de liberdade desenvolvido no modelo proposto não observou
a sensibilidade ao parâmetro estrutural, sendo que dois parâmetros se mostraram mais sensíveis
do que os outros dois, mostrando-se o método como eficaz no estudo e desenvolvimento de
banco de dados, porém sem utilização em casos reais, devido às diversas assunções realizadas
no estudo. | por |
dc.publisher.country | Brasil | por |
dc.publisher.initials | UFSM | por |
dc.subject.cnpq | CNPQ::ENGENHARIAS::ENGENHARIA MECANICA | por |
dc.publisher.unidade | Centro de Tecnologia | por |