O Repositório será lançado oficialmente no dia 9 de abril de 2025 às 14h30min no miniauditório do Campus Nova Suiça.
 

Previsão de falhas em mancais de rolamento utilizando aprendizado de máquina por meio de redes neurais artificiais: módulo de um gêmeo digital

Página do item simplificado
dc.contributor.advisorShigaki, Yukio
dc.contributor.advisorLatteshttp://lattes.cnpq.br/5952970584364630
dc.contributor.authorBrandão Júnior, Paulo Sérgio
dc.contributor.authorLatteshttp://lattes.cnpq.br/5945329708725886
dc.contributor.refereeShigaki, Yukio
dc.contributor.refereeMagalhães, Frederico de Castro
dc.contributor.refereeSilva, Alisson Marques da
dc.date.accessioned2025-03-17T11:31:14Z
dc.date.available2025-03-17T11:31:14Z
dc.date.issued2024-11-28
dc.description.abstractEste trabalho teve como objetivo solucionar o problema da falha prematura dos mancais de rolamento em um redutor de laminador de barras na siderúrgica Gerdau – Usina Barão de Cocais, utilizando técnicas de aprendizado de máquina. O foco foi a construção de um modelo de classificação utilizando redes neurais artificiais (RNA) para predizer falhas no sistema de rolamento, baseado na análise da corrente do motor. O modelo construído apresentou acurácia de 99%, além de níveis de sensibilidade de 0,9871 e especificidade de 0,9942, o que demonstra sua eficácia em identificar anormalidades nas informações. Além disso, o estudo introduziu o conceito de gêmeo digital, propondo sua aplicação futura como ferramenta de monitoramento proativo, permitindo simulação e análise em tempo real. A segunda etapa do estudo utilizou uma nova base de dados que reforçou a hipótese de que falhas nos rolamentos aumentam o torque e, consequentemente, a corrente do motor. O modelo se mostrou eficaz em identificar esse padrão, sendo uma ferramenta eficaz para a manutenção preditiva e a programação de paradas preventivas.
dc.description.abstractotherThis work aimed to address the issue of premature bearing failures in a gearbox of a bar mill at Gerdau – Usina Barão de Cocais using machine learning techniques. The focus was on building a classification model with artificial neural networks (ANN) to predict failures in the bearing system, based on motor current analysis. The developed model achieved an accuracy of 99%, with sensitivity levels of 0.9871 and specificity of 0.9942, demonstrating its effectiveness in identifying anomalies. Additionally, the study introduced the concept of a digital twin, proposing its future application as a proactive monitoring tool, enabling real-time simulation and analysis. In the second phase, a new dataset was analyzed, reinforcing the hypothesis that bearing failures increase torque and, consequently, motor current. The model proved effective in identifying this pattern, making it a effective tool for predictive maintenance and scheduled preventive stops.
dc.identifier.urihttps://repositorio.cefetmg.br//handle/123456789/790
dc.language.isopt
dc.publisherCentro Federal de Educação Tecnológica de Minas Gerais
dc.publisher.countryBrasil
dc.publisher.initialsCEFET-MG
dc.publisher.programPrograma de Pós-Graduação em Engenharia Mecânica
dc.subjectAprendizado do computador
dc.subjectRedes neurais (Computação)
dc.subjectAlgoritmos de computador
dc.subjectSimulação (Computadores)
dc.subjectEficiência industrial
dc.titlePrevisão de falhas em mancais de rolamento utilizando aprendizado de máquina por meio de redes neurais artificiais: módulo de um gêmeo digital
dc.typeDissertação

Arquivos

Pacote Original
Agora exibindo 1 - 1 de 1
Imagem de Miniatura
Nome:
Previsão de falhas em mancais de rolamento utilizando aprendizado de máquina_Dissertacao.pdf
Tamanho:
1.9 MB
Formato:
Adobe Portable Document Format
Baixar
Licença do Pacote
Agora exibindo 1 - 1 de 1
Nenhuma Miniatura disponível
Nome:
license.txt
Tamanho:
1.39 KB
Formato:
Item-specific license agreed to upon submission
Descrição:
Baixar

Coleções

Mestrado em Engenharia Mecânica