Utilize este link para identificar ou citar este item: https://bdm.unb.br/handle/10483/38600
Arquivos neste item:
Arquivo Descrição TamanhoFormato 
2023_YujiLimaSumihara_tcc.pdf3 MBAdobe PDFver/abrir
Registro completo
Campo Dublin CoreValorLíngua
dc.contributor.advisorLlanos Quintero, Carlos Humberto-
dc.contributor.authorSumihara, Yuji Lima-
dc.identifier.citationSUMIHARA, Yuji Lima. Aplicação de técnicas de identificação de sistemas para detecção de falhas em pás eólica. 2023. 88 f., il. Trabalho de conclusão de curso (Bacharelado em Engenharia Mecatrônica) — Universidade de Brasília, Brasília, 2023.pt_BR
dc.descriptionTrabalho de conclusão de curso (graduação) — Universidade de Brasília, Faculdade de Tecnologia, 2023.pt_BR
dc.description.abstractIdentificação de sistemas vem sendo usados nas diversas áreas do conhecimento como ferramenta de tomada de decisão, com o propósito de minimizar os custeios, aplicando manutenções preditivas e outros modos de minimizar o tempo de espera por reposição de estruturas que a cada segundo parada, perde-se muito em lucro. A técnica estudada nesse projeto é o algoritmo FROLS, o qual é aplicado em dados não lineares com o objetivo de predizer a saída de um modelo a partir de sua entrada de dados. Para testar sua capacidade de predição foi utilizados amostras do conjunto de dados Sonkyo-Benchmark, o qual possui diversos dados de pás eólicas, os quais usou-se nesse projeto os dados de entrada referentes ao agitador preso a pá, no caso o ruído branco gerado, e os valores de saída captados por acelerômetros localizados na estrutura da pá. Um dos desafios de se usar o FROLS é a seleção de parâmetros, os quais diferem de modelo para modelo. Porém ao se obter um modelo viável, pode seguir com os testes e obter, a partir da métrica MSE ou R², o melhor modelo de identificação, sendo alguns modelos obtidos com valores de 0.132062 de MSE, e R² igual a 0.929406. Para validar a capacidade do modelo identificar e classificar os tipos de falhas conhecidas, foi necessário utilizar os valores dos parâmetros, para assim fazer um treinamento na ferramenta NIOTS, com o objetivo de encontrar o modelo em que haja o compromisso entre a complexidade e acurácia para o problema de classificação de falhas.pt_BR
dc.rightsAcesso Abertopt_BR
dc.subject.keywordDetecção de falhas - sistemaspt_BR
dc.subject.keywordPás eólicaspt_BR
dc.titleAplicação de técnicas de identificação de sistemas para detecção de falhas em pás eólicapt_BR
dc.typeTrabalho de Conclusão de Curso - Graduação - Bachareladopt_BR
dc.date.accessioned2024-05-22T12:14:09Z-
dc.date.available2024-05-22T12:14:09Z-
dc.date.submitted2023-02-17-
dc.identifier.urihttps://bdm.unb.br/handle/10483/38600-
dc.language.isoPortuguêspt_BR
dc.rights.licenseA concessão da licença deste item refere-se ao termo de autorização impresso assinado pelo autor que autoriza a Biblioteca Digital da Produção Intelectual Discente da Universidade de Brasília (BDM) a disponibilizar o trabalho de conclusão de curso por meio do sítio bdm.unb.br, com as seguintes condições: disponível sob Licença Creative Commons 4.0 International, que permite copiar, distribuir e transmitir o trabalho, desde que seja citado o autor e licenciante. Não permite o uso para fins comerciais nem a adaptação desta.pt_BR
dc.contributor.advisorcoSoudré, Marlon Marques-
dc.description.abstract1Systems identification has been used in different areas of knowledge as a decision-making tool, with the purpose of minimizing costs, applying predictive maintenance and other ways of minimizing the waiting time for replacement of structures, which every second in downtime, turn into a negative profit. The technique studied in this project is the FROLS algorithm, which is applied to non-linear data in order to predict the output of a model from its input data. To test its predictive capacity, samples from the Sonkyo-Benchmark dataset were used, which has several data from wind blades, which in this project used the input data referring to the agitator attached to the blade, in this case the white noise generated, and the output values captured by accelerometers located on the blade structure. One of the challenges of using FROLS is the selection of parameters, which differ from model to model. However, when obtaining a viable model, you can continue with the tests and obtain, from the MSE or R² metric, the best identification model, with some models obtained with MSE values of 0.132062, and R² equal to 0.929406. To validate the model’s capacity to identify and classify the types of known failures, it was necessary to use the values of the parameters, in order to train in the NIOTS tool, with the objective of finding the model in which there is a compromise between complexity and accuracy for the fault classification problem.pt_BR
Aparece na Coleção:Engenharia Mecatrônica



Todos os itens na BDM estão protegidos por copyright. Todos os direitos reservados.