Modelo de previsão do KPI confiabilidade em um grupo de máquinas de combustão interna utilizando técnicas de redes neurais artificiais em usinas termoelétricas
| dc.contributor.advisor | NASCIMENTO, Manoel Henrique Reis | |
| dc.creator | SILVA, Ítalo Rodrigo Soares | |
| dc.creator.Lattes | http://lattes.cnpq.br/4067572648225204 | |
| dc.date.accessioned | 2024-07-25T21:53:54Z | |
| dc.date.available | 2024-07-25T21:53:54Z | |
| dc.date.issued | 2021-07 | |
| dc.description.abstract | The unavailability of equipment in thermoelectric plants for any reason becomes a risk of the entrepreneur, who as a consequence bears even greater losses with a high cost of machines stopped, in addition to the penalties sanctioned and provided by law, based on this assumption the maintenance programs are methodologies that aim to contribute with techniques and tools to mitigate this problem, however, However, only the use of maintenance programs are not enough, thus, this research aims to develop an Engine Reliability Prediction Algorithm, capable of predicting the Reliability Key Performance Indicator, with the purpose of indicating the probability of the equipment to operate in a pre-defined space of time, as the object of study has a group of internal combustion machines of Thermoelectric Power Plants. In view of this, the research meets the objectives of cataloging the significant variables for the prediction model; analyze twelve ANN training algorithms, considering the supervised learning approach, where the number of neurons, hidden layers, and activation functions are performance requirements of the network; To develop the prediction model for the reliability of the motor group, where the training algorithms are validated using the best model stopping criterion; to find the best network performance based on Mean Squared Error (MSE), Root Mean Square Error (RMSE), Linear Regression, and Best Model stopping criterion; and finally, to simulate the cataloged failure data in order to analyze the technical state of the motor group with the best model. The innovation of the research is characterized by the computational methods of data processing by using: optimization methods, iterative and heuristic, characterizing the use of artificial intelligence techniques to predict the reliability in days and months, in addition, it is used predictive maintenance indicators as: Mean Time Between Failures (MTBF), Mean Time To Repair (MTTR), Availability and Reliability. To analyze the results of this research, a set of twenty load generation units was used as parameters for investigating the frequency of failures, the twelve training algorithms were applied, with a combination between the activation functions: Sigmoid, Linear and Hyperbolic Tangent, the research results show that the techniques of Levenberg-Marquardt and Bayesian Regularization showed 100% correlation between the output and simulated variables, characterizing the efficiency in predicting in days and months. | |
| dc.description.resumo | A 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. | |
| dc.description.sponsorship | Subvenção da Lei de Informática | |
| dc.format | ||
| dc.identifier.citation | SILVA, Ítalo Rodrigo Soares. Modelo de previsão do KPI Confiabilidade em um grupo de Máquinas de Combustão Interna utilizando Técnicas de Redes Neurais Artificiais em Usinas Termoelétricas. 2021. p. 114. Dissertação do Programa de Pós-Graduação em Engenharia, Gestão de Processos, Sistemas e Ambiental (EGPSA), Instituto de Tecnologia e Educação Galileo da Amazônia (ITEGAM), Manaus, 2021. | |
| dc.identifier.uri | https://rigalileo.itegam.org.br/handle/123456789/20 | |
| dc.language | pt | |
| dc.publisher | Instituto de Tecnologia e Educação Galileo da Amazônia | |
| dc.publisher.country | Brasil | |
| dc.publisher.department | Instituto de Tecnologia e Educação Galileo da Amazônia | |
| dc.publisher.initials | ITEGAM | |
| dc.publisher.program | Programa de Pós-graduação em Engenharia, Gestão de Processos, Sistema e Ambiental | |
| dc.subject | Usinas termoelétricas | |
| dc.subject.cnpq | 3.04.00.00-7 - ENGENHARIA ELÉTRICA | |
| dc.title | Modelo de previsão do KPI confiabilidade em um grupo de máquinas de combustão interna utilizando técnicas de redes neurais artificiais em usinas termoelétricas | |
| dc.type | Dissertação |