Diagnóstico de anomalias em aplicações de acionamento de motores elétricos a partir de dados de processo de rede PROFINET e aprendizagem de máquinas
dc.contributor | Universidade de São Paulo | |
dc.contributor.author | Dias, André Luís | |
dc.date.accessioned | 2020-06-22T14:56:45Z | |
dc.date.available | 2020-06-22T14:56:45Z | |
dc.date.issued | 2019-09-19 | |
dc.description.abstract | Este trabalho propõe investigar, desenvolver e validar uma metodologia de projeto para sistemas de diagnóstico para detecção de falhas e anomalias em aplicações de acionamento de motores elétricos, comumente utilizados na indústria de manufatura. A metodologia proposta é baseada na coleta e interpretação de dados de processo de redes PROFINET, perfil PROFIdrive, e ferramentas de aprendizagem de máquinas. Técnicas de extração e redução de atributos são aplicadas nos dados de processo coletados. Estes atributos são utilizados em algoritmos para reconhecimento de padrões, os algoritmos investigados são o k-Nearest Neighbor, Redes Neurais Artificiais, Support Vector Machines, e adicionalmente uma adaptação da metodologia é feita utilizando um algoritmo para detecção de novidades. A avaliação da metodologia considerou quatro cenários para estudos de caso, para falhas comuns em aplicações de máquinas rotativas. Os resultados alcançados demonstram a eficácia da metodologia, que foi capaz de detectar as falhas e anomalias investigadas de maneira satisfatória, similares a trabalhos correlatos, com o diferencial de não exigirem sensores adicionais dedicados na coleta de dados. Desta maneira, o trabalho contribui para área de redes de comunicação industrial, mais especificamente o protocolo PROFINET, diagnósticos de anomalias em máquinas acionadas por motores elétricos, e ferramentas de aprendizagem de máquinas. | |
dc.description.abstract | This work proposes to investigate, develop and validate a methodology to design diagnostic systems to detect faults and anomalies in motion control applications, commonly used in manufacturing industry. The proposed methodology is based on collection and interpretation of process data from PROFINET networks, PROFIdrive profile, and machine learning tools. Feature extraction and selection techniques are applied to the collected process data. These features are used in algorithms for pattern recognition problems. Investigated algorithms are k-Nearest Neighbor, Artificial Neural Networks, Support Vector Machines and in addition, an adaptation of the methodology is held for novelty detection. Four scenarios were considered as case of studies for methodology evaluation, based on common faults in rotating machine applications. The results proved the methodology effectiveness for diagnostic system design, which were able to detect satisfactorily the investigated faults and anomalies, similar to related work, with the differential of not requiring additional dedicated sensors for data collection. In this way, the work contributes to the area of industrial communication networks, more specifically in PROFINET protocol, diagnostic systems for fault detection in motion control applications, and machine learning tools. | |
dc.format | application/pdf | |
dc.identifier.doi | 10.11606/T.18.2019.tde-10092019-104345 | |
dc.identifier.uri | http://www.teses.usp.br/teses/disponiveis/18/18153/tde-10092019-104345/ | |
dc.identifier.uri | http://repositorio.eesc.usp.br/handle/RIEESC/6564 | |
dc.language | pt | |
dc.rights.holder | Dias, André Luís | |
dc.subject | Condition Monitoring | |
dc.subject | Sistemas Dinâmicos | |
dc.subject | Aprendizagem de Máquinas | |
dc.subject | Acionamentos de Motores Elétricos | |
dc.subject | Real Time Ethernet | |
dc.subject | Condition Monitoring | |
dc.subject | Machine Learning | |
dc.subject | Motion Control Applications | |
dc.subject | Real Time Ethernet | |
dc.subject | Dynamic Systems | |
dc.title | Diagnóstico de anomalias em aplicações de acionamento de motores elétricos a partir de dados de processo de rede PROFINET e aprendizagem de máquinas | |
dc.title.alternative | Diagnostics of anomalies in motion control applications based on process data of PROFINET networks and machine learning tools | |
dc.type | Tese de Doutorado |