Search

Submitted by Nadir Basilio (nadirsb@uninove.br) on 2022-08-15T17:51:35Z No. of bitstreams: 1 Rodrigo Cardozo de Jesus.pdf: 15238624 bytes, checksum: 2db116d33f4373261372fc883494941c (MD5) Made available in DSpace on 2022-08-15T17:51:35Z (GMT). No. of bitstreams: 1 Rodrigo Cardozo de Jesus.pdf: 15238624 bytes, checksum: 2db116d33f4373261372fc883494941c (MD5) Previous issue date: 2019-01-31 Detection of failures in three-phase squirrel-cage induction motors has shown increasing interest in recent years, especially in the study and implementation of new diagnostic techniques, given their use in the industrial segment worldwide. Among the existing faults, stands out the rupture of one or more bars that are part of the machine's rotor cage. One of the most studied techniques in the literature, and still used today for the detection of broken rotor bars, is the electric current signature analysis of one of the motor phases, in order to nd certain harmonics that indicate the presence of the defect. This technique uses the Fast Fourier Transform for the analysis of harmonic components, and other more recent studies have employed, for example, the Hilbert Transform, in order to improve the frequency signal resolution, as well as the use of statistical measures to nd some parameters of the motor current signal, in the condition of a defective rotor. In addition, other researches have investigated the use of machine learning techniques to aid in the evaluation of machine conditions, based on the characteristics extracted in the time and frequency domains. Thus, the present work developed a comparative study between some signal processing techniques, used in the diagnosis of broken rotor bars, and the machine learning algorithms most used in the monitoring and diagnosis of failures in induction motors. These algorithms were parameterized in several conditions and it was possible to compare not only the accuracy of each model, but also the false positive and false negative rates in each case. The results showed that the use of the statistical characteristics with those extracted in frequency domains presented the best performance. Experiments with a 7:5 kW motor, for several load conditions, and especially at low load, would allow to evaluate the best combination of the aforementioned techniques for the detection and classi cation of the defect in the rotor cage . A detecção de falhas em motores de indução trifásico do tipo gaiola de esquilo revelou um interesse crescente nos últimos anos, especialmente pelo estudo e a implementação de novas técnicas de diagnóstico, dada a sua utilização no segmento industrial em todo o mundo. Dentre as falhas existentes, destaca-se o rompimento de uma ou mais barras que fazem parte da gaiola rotórica da máquina. Uma das técnicas mais estudadas na literatura, e empregadas ainda hoje, para a detecção de barras quebradas, é a análise da assinatura da corrente elétrica de uma das fases do motor, a m de encontrar determinadas harmônicas que indicam a presença do defeito. Esta técnica utiliza a Transformada Rápida de Fourier para a análise das componentes harmônicas, e outros estudos mais recentes empregaram, por exemplo, a Transformada de Hilbert, de modo a melhorar a resolução em frequência do sinal, bem como o uso de medidas estatísticas para encontrar alguns parâmetros do sinal de corrente do motor, na condição de rotor defeituoso. Adicionalmente, outras pesquisas têm investigado o uso das técnicas de aprendizagem de máquina para auxiliar na avaliação das condições do motor, a partir das características extraídas nos domínios do tempo e da frequência. Deste modo, o presente trabalho desenvolveu um estudo comparativo entre algumas técnicas de processamento de sinais, usadas no diagnóstico de barras rotóricas quebradas, e os algoritmos de aprendizagem de má- quina mais empregados no monitoramento e diagnóstico de falhas em máquinas elétricas. Tais algoritmos foram parametrizados em diversas condições sendo possível comparar não apenas a acurácia de cada modelo, mas também as taxas de falso positivo e falso negativo em cada caso. Os resultados obtidos mostraram que o uso das características estatísticas em conjunto com aquelas extraídas em frequência apresentou a melhor performance. Os experimentos realizados com um motor de 7:5 kW, para diversas condições de carga do motor, e especialmente em baixa carga, permitiriam avaliar assim a melhor combinação das aludidas técnicas para a detecção e a classi cação do defeito na gaiola rotórica.

Made available in DSpace on 2019-12-16T16:26:11Z (GMT). No. of bitstreams: 1 5700_11911.pdf: 2696584 bytes, checksum: f44366086f405124352fc5ec0c55d1ff (MD5) Previous issue date: 2017-11-07

Bancos de dados caracterizados por elevado número de variáveis correlacionadas são usualmente encontrados em ambientes industriais, dificultando a identificação das variáveis de processo mais relevantes. A regressão por quadrados parciais mínimos (Partial Least Square - PLS) tem sido amplamente utilizada para a seleção de variáveis com propósitos de predição. No entanto, muitas aplicações práticas priorizam a correta categorização de lotes produtivos em classes, de acordo com determinada especificação do produto final. Neste artigo, a regressão PLS é integrada às ferramentas de classificação z vizinhos mais próximos (z-Nearest Neighbor) e máquina de suporte vetorial (Support Vector Machine) com visando a seleção de variáveis para fins de categorização de bateladas de produção em duas classes. Índices de Importância das Variáveis (IIV) baseados nos parâmetros da regressão PLS são desenvolvidos para o ordenamento das variáveis de processo, de acordo com sua relevância para a caracterização da variável de produto, e então integrados às ferramentas de classificação. O subconjunto de variáveis retidas é identificado através do monitoramento do perfil de acurácia gerado com a remoção sistemática das variáveis menos relevantes. Aplicada em três bancos de dados, a metodologia proposta reduziu o número de variáveis de processo necessárias para classificação de bateladas em 90,6% e elevou a acurácia média de classificação em 29,2%, quando comparada à aplicação de ferramentas de classificação na totalidade das variáveis. A large number of correlated process variables are usually found in industrial environments, making it difficult for engineers to identify the key variables. Partial Least Squares (PLS) has been successfully applied to select the most relevant process variables for predicting response variables. However, many practical applications are more interested in correctly categorizing the final product into classes. This paper addresses this classification issue by integrating Partial Least Square (PLS) regression to the z-nearest neighbor rule and support vector machine for the categorization of production batches into two quality levels. Indices based on PLS parameters are developed for evaluating variable importance. The classification methods are then applied to reduce noisy and irrelevant variables based on the importance indices. The best subset of variables is identified by monitoring accuracy profile variations while variables are removed. In three datasets, the suggested approach reduced the number of variables necessary for classification of production batches by 90.6 per cent, while yielding 29.2 per cent more accurate classifications.

Made available in DSpace on 2015-03-05T13:58:25Z (GMT). No. of bitstreams: 0 Previous issue date: 8 Nenhuma A estrutura tridimensional de uma proteína está diretamente ligada a sua função. Diversos projetos de seqüenciamento genéticos acumulam um grande número de seqüências de proteínas cujas estruturas primárias e secundárias são conhecidas. Entretanto, as informações sobre suas estruturas tridimensionais estão disponíveis somente para uma pequena fração destas proteínas. Este fato evidencia a necessidade da criação de métodos automáticos para a predição de estruturas terciárias de proteínas a partir de suas estruturas primárias. Conseqüentemente, ferramentas computacionais são utilizadas para o tratamento, seleção e análise destes dados. Atualmente, um novo método de aprendizado de máquina denominado Máquina de Suporte Vetorial (MSV) tem superado métodos tradicionais como as Redes Neurais Artificiais (RNA) no tratamento de problemas de classicação. Nesta dissertação utilizamos as MSV para a classicação automática de proteínas. A principal contribuição deste trabalho foi a metodologia proposta para o tratamen The three-dimensional structure of a protein is directly related to its function. Many projects of genetic sequence analysis accumulate a great number of protein sequences whose primary and secondary structures are known. However, the information on its three-dimensional structures are available only for a small fraction of these proteins. This fact evidences the necessity of creation of automatic methods for the prediction of tertiary protein structures from its primary structures. Consequently, computational tools are used for the treatment, election and analysis of these data. Currently, a new method of machine learning called Support Vector Machine (SVM) has surpassed traditional methods as Artificial Neural Networks (ANN) in the treatment of classication problems. In this master thesis we use the SVM for the automatic protein classication. The main contribution of this work was the methodology proposal for the treatment of the problem. This methodology consists in composing the support vectors with the v