PPG.EGPSA/ITEGAM
URI Permanente desta comunidade
A comunidade dispõe da produção técnica e científica do PPG.EGPSA/ITEGAM, fruto da atividade de pesquisa e desenvolvimento (P&D). É possível acessar os trabalhos de conclusão do programa de pós-graduação, artigos e livros vinculados a pesquisa, desenvolvimento, inovação e extensão.
Navegar
Navegando PPG.EGPSA/ITEGAM por Assunto "3.04.00.00-7 - ENGENHARIA ELÉTRICA"
Agora exibindo 1 - 1 de 1
Resultados por página
Opções de Ordenação
Item Modelo de previsão do KPI confiabilidade em um grupo de máquinas de combustão interna utilizando técnicas de redes neurais artificiais em usinas termoelétricas(Instituto de Tecnologia e Educação Galileo da Amazônia, 2021-07) SILVA, Ítalo Rodrigo Soares; NASCIMENTO, Manoel Henrique ReisA indisponibilidade de equipamentos em Termoelétricas por quaisquer motivos se torna um risco do empreendedor, este que como consequência arca com prejuízos ainda maiores com um custo elevado de máquinas paradas, além das penalidades sancionadas e previstas por lei, partindo desse pressuposto os programas de manutenção são metodologias que visam contribuir com técnicas e ferramentas de mitigação dessa problemática, contudo, somente o uso dos programas de manutenção não são suficientes, dessa forma, esta pesquisa tem como objetivo desenvolver um Algoritmo de Previsão da Confiabilidade de Motores, capaz de prever o Indicador Chave de Performance Confiabilidade, tendo como finalidade indicar a probabilidade do equipamento operar em um espaço de tempo pré-definido, como objeto de estudo se tem um grupo de máquinas de combustão interna de Usinas Termoelétricas. Em virtude disso, a pesquisa cumpre com os objetivos de catalogar as variáveis significativas para o modelo de previsão; analisar doze algoritmos de treinamento da RNA, considerando a abordagem de aprendizado supervisionado, onde a quantidade de neurônios, camadas escondidas e funções de ativação são requisitos de performance da rede; desenvolver o modelo de previsão da Confiabilidade do grupo de motores, onde os algoritmos de treinamento são validados por meio do critério de parada do melhor modelo; encontrar a melhor performance da rede com base no Erro Médio Quadrático (MSE), Raíz do Erro Médio Quadrático (RMSE), Regressão Linear e Avaliação de parada pelo melhor modelo; por fim, simular os dados de falhas catalogados afim de analisar o estado técnico do grupo de motores com o melhor modelo. A inovação da pesquisa é caracterizada pelos métodos computacionais de processamento de dados ao utilizar: métodos de otimização, iterativos e heurísticos, caracterizando o uso de técnicas de inteligência artificial para prever a Confiabilidade em dias e meses, além disso, é utilizado os indicadores da manutenção preditiva como: Tempo Médio entre Falhas (MTBF), Tempo Médio para Reparo (MTTR), Disponibilidade e Confiabilidade. Para analisar os resultados dessa pesquisa, utilizou- se de um conjunto de vinte unidades de geração de carga como parâmetros de investigação da frequência de falhas, foram aplicados os doze algoritmos de treinamento, com uma combinação entre as funções de ativação: Sigmoide, Linear e Tangente Hiperbólica, os resultados da pesquisa mostram que as técnicas de Levenberg-Marquardt e Bayesian Regularization apresentaram 100% de correlação entre as variáveis de saída e simulada, caracterizando a eficiência na previsão em dias e meses.