Use este identificador para citar ou linkar para este item:
http://repositorio.utfpr.edu.br/jspui/handle/1/38063| Título: | Aprendizado de máquina aplicado na classificação de defeitos de máquinas rotativas |
| Título(s) alternativo(s): | Machine learning applied to the classification of defects in rotating machines |
| Autor(es): | Beraldino, Murilo Perez de |
| Orientador(es): | Borges, Adriano Silva |
| Palavras-chave: | Máquinas Manutenção Aprendizado do computador Localização de falhas (Engenharia) Machinery Maintenance Machine learning Fault location (Engineering) |
| Data do documento: | 19-Dez-2025 |
| Editor: | Universidade Tecnológica Federal do Paraná |
| Câmpus: | Cornelio Procopio |
| Citação: | BERALDINO, Murilo Perez de. Aprendizado de máquina aplicado na classificação de defeitos de máquinas rotativas. 2025. Trabalho de Conclusão de Curso (Bacharelado em Engenharia Mecânica) - Universidade Tecnológica Federal do Paraná, Cornélio Procópio, 2025. |
| Resumo: | O presente trabalho aborda a aplicação de técnicas de aprendizado de máquina na classificação de defeitos de um rotor, um desafio significativo na manutenção mecânica e na garantia da eficiência operacional em diversos setores importantes da indústria. Com o avanço tecnológico e a crescente demanda por sistemas de monitoramento de condição mais precisos e confiáveis, o uso de algoritmos de aprendizado de máquina tem se mostrado uma abordagem promissora para a detecção e classificação de falhas, possibilitando intervenções mais efetivas, mais rápidas e reduzindo o tempo de inatividade das máquinas. Este estudo concentra-se na exploração de diferentes técnicas de aprendizado de máquina, incluindo Naive Bayes, árvore de decisão, floresta aleatória, regressão logística, máquinas de vetores de suporte e k vizinhos mais próximos, para classificar os defeitos em máquinas rotativas com base em dados de vibração. A metodologia adotada envolve a utilização de uma base de dados base de dados chamada Mafaulda (Machinery Fault Database), que foi desenvolvida pela politécnica da Universidade Federal do Rio de Janeiro em 2017, extraída de uma bancada de testes, essa base possui dados com os defeitos induzidos e dados da máquina normal, a base exige um tratamento de dados antes de aplicar os algoritmos e depois disso os resultados de acurácia dos diferentes algoritmos são comparados. Os resultados obtidos demonstram a eficácia das técnicas de aprendizado de máquina na classificação de defeitos em máquinas rotativas, destacando a importância da seleção de características. Além disso, o estudo revela o potencial dessas técnicas para melhorar as estratégias de manutenção mecânica, contribuindo para a otimização dos processos industriais e para a redução de custos operacionais. |
| Abstract: | This paper addresses the application of machine learning techniques in the classification of defects in a rotor, a significant challenge in mechanic maintenance and ensuring operational efficiency in various important industrial sectors. With technological advancement and the increasing demand for more accurate and reliable condition monitoring systems, the use of machine learning algorithms has proven to be a promising approach for fault detection and classification, enabling more effective, faster interventions and reducing machine downtime. This study focuses on exploring different machine learning techniques, including Naive Bayes, decision tree, random forest, logistic regression, support vector machines, and k-nearest neighbors, to classify defects in rotating machinery based on vibration data. The adopted methodology involves the use of a database called Mafaulda (Machinery Fault Database), which was developed by the Polytechnic of the Federal University of Rio de Janeiro in 2017, extracted from a test bench. This database contains data with induced defects and normal machine data, requiring data preprocessing before applying the algorithms, after which the accuracy results of the different algorithms are compared. The results obtained demonstrate the effectiveness of machine learning techniques in classifying defects in rotating machinery, highlighting the importance of feature selection. Furthermore, the study reveals the potential of these techniques to improve mechanic maintenance strategies, contributing to the optimization of industrial processes and the reduction of operational costs. |
| URI: | http://repositorio.utfpr.edu.br/jspui/handle/1/38063 |
| Aparece nas coleções: | CP - Engenharia Mecânica |
Arquivos associados a este item:
| Arquivo | Descrição | Tamanho | Formato | |
|---|---|---|---|---|
| classificacaodefeitosmaquinasrotativas.pdf | 1,75 MB | Adobe PDF |  Visualizar/Abrir |
Este item está licenciada sob uma Licença Creative Commons
