[pt] CLASSIFICAÇÃO DE FALHAS EM MÁQUINAS ROTATIVAS BASEADA EM MEDIÇÕES DE VIBRAÇÃO MECÂNICA E MÉTODOS BASEADOS EM INSTÂNCIA

[en] FAULT CLASSIFICATION IN ROTATING MACHINES BASED ON MECHANICAL VIBRATION MEASUREMENTS AND INSTANCE-BASED METHODS

[pt] DAVI OLIVEIRA FRANCISCO

[pt] APRENDIZADO DE MAQUINA

[pt] OTIMIZACAO DE HIPERPARAMETROS

[pt] KNN

[pt] MAQUINAS ROTATIVAS

[pt] REGRESSAO LOGISTICA

[pt] ANALISE DE COMPONENTES PRINCIPAIS

[pt] VALIDACAO CRUZADA

[en] MACHINE LEARNING

[en] HYPERPARAMETER OPTIMIZATION

[en] KNN

[en] ROTARY MACHINES

[en] LOGISTIC REGRESSION

[en] PRINCIPAL COMPONENT ANALYSIS

[en] CROSS-VALIDATION

[pt] Este trabalho tem como objetivo desenvolver uma metodologia para classificação de máquinas rotativas com base em modelos baseados em instância. O desenvolvimento baseou-se em dados coletados utilizando uma bancada de testes que simulou quatro condições de operação. Primeiramente, foram escolhidos dois modelos, regressão linear e o K-Nearest Neighbours (KNN), para realizar a aplicação ao estudo de caso, onde a regressão linear foi escolhida para avaliar a dificuldade do problema. Além disso, o método de extração de características utilizado foi a análise de componentes principais (PCA). Após a escolha dos modelos foi utilizado um método de otimização de hiperparâmetros, com validação cruzada (GridSearchCV). Além disso, considerou-se diferentes porcentagens de variância explicadas para a escolha do número de componentes principais. Em um segundo momento, através dos resultados de otimização, realizou-se a comparação do modelo linear e KNN com os resultados da literatura. Por fim, obteve-se um novo modelo KNN otimizado e, utilizando métricas como, matriz de confusão e acurácia, seu desempenho resultante foi competitivo, considerando a eficiência e baixa complexidade. Os resultados demonstram que o KNN foi capaz de melhorar a acurácia em 68 porcento quando comparado ao modelo linear.

[en] This work aims to develop a methodology for rotating machinery classification based on instance-based models. The development was based on data collected using a test bench that simulated four operating conditions. First, two models, linear regression and K-Nearest Neighbours (KNN) were chosen to perform the application to the case study, where linear regression was chosen to evaluate the difficulty of the problem. In addition, the feature extraction method used was principal component analysis (PCA). After the models were chosen, a hyperparameter optimization method with cross-validation (GridSearchCV) was used. Besides this, different percentages of variance explained were considered for the choice of the number of principal components. In a second step, a comparison of the linear and KNN model with literature results was performed through the optimization results. Finally, a new optimized KNN model was obtained, and, using metrics such as confusion matrix and accuracy, its resulting performance was competitive, considering efficiency and low complexity. The results show that KNN improved accuracy by 68 percent compared to the linear model.

HELON VICENTE HULTMANN AYALA

MATEUS GHEORGHE DE CASTRO RIBEIRO

2021-12-21

[pt] TEXTO

application/pdf

PORTUGUÊS

https://www.maxwell.vrac.puc-rio.br/colecao.php?strSecao=resultado&nrSeq=56723@1

https://www.maxwell.vrac.puc-rio.br/colecao.php?strSecao=resultado&nrSeq=56723@2

https://doi.org/10.17771/PUCRio.acad.56723