Eventos Anais de eventos
CONEM 2018
X Congresso Nacional de Engenharia Mecânica
Redes neurais para monitoramento do acúmulo de danos em equipamentos portuários
Submission Author:
Laís Marino , MG
Co-Authors:
Laís Marino, Lucas Miranda Rodrigues, Ronei Avelar Soares, Jánes Landre Júnior
Presenter: Laís Marino
doi://10.26678/ABCM.CONEM2018.CON18-1163
Abstract
Esta pesquisa surgiu da necessidade de se entender os problemas estruturais de equipamentos portuários voltados para a mineração, dada a importância desta atividade, pois os minérios são elementos essenciais para a produção de inúmeros bens de consumo e a indústria da mineração é responsável por 4% do PIB no Brasil. Os equipamentos são extremamente robustos e de custo elevado para manutenção, portanto faz-se necessário o acompanhamento do desgaste dos ativos a partir do sensoriamento, inspeções e monitoramento de danos, tendo em vista o aumento da confiabilidade e previsões mais exatas e confiáveis, visto que atualmente há a tendência de grandes empresas utilizarem técnicas de inteligência artificial para diagnosticar e prever falhas. A metodologia deste estudo compreende a utilização dos principais sinais de sensoriamento relativos aos modos de falha mais relevantes para rolamentos em um ativo e, a partir disso, empregar o banco de dados real do histórico de falhas em rolamentos para alimentar o treinamento, o teste e a validação, quando aplicável, de um modelo de rede neural proposto, cuja saída é a classificação de um modo de falha. A modelagem da rede neural abarca a comparação de diversas topologias, segundo o método Cross-validation. A taxa de acertos de um modelo de rede neural pode estar relacionada à topologia, às características dos dados de entrada e saída e ao tipo de treinamento empregado. Foi encontrada uma topologia com 100% de taxa de acerto para os dados vibracionais utilizados, demonstrando que as redes neurais podem ser uma ferramenta poderosa para reconhecimento de padrões e classificação de falhas. Este trabalho contribui com a validação de uma metodologia para monitoramento de danos por um modelo de rede neural para rolamentos de um ativo, passível de replicação para os demais componentes e ativos, auxiliando o departamento de manutenção, confiabilidade e operação no planejamento das ações.
Keywords
Acúmulo de dano, Inteligência Artificial, manutenção, redes neurais, Cross Validation
