[pt] APRENDIZADO DE MÁQUINA APLICADO À DETECÇÃO DE FALHAS EM SISTEMAS MECÂNICOS

[en] MACHINE LEARNING APPLIED TO FAULT DIAGNOSIS IN MECHANICAL SYSTEMS.

[pt] HUMBERTO SEGHETTO DOS SANTOS

[pt] APRENDIZADO DE MAQUINA

[pt] WIND TURBINE BLADES

[pt] ENGENHARIA DE RECURSOS

[pt] MONITORAMENTO DA SAUDE ESTRUTURAL - SHM

[pt] ANALISE DE COMPONENTES PRINCIPAIS

[pt] CLASSIFICACAO

[en] MACHINE LEARNING

[en] WIND TURBINE BLADES

[en] FEATURE ENGINEERING

[en] STRUCTURAL HEALTH MONITORING - SHM

[en] PRINCIPAL COMPONENT ANALYSIS

[en] CLASSIFICATION

[pt] Nas diversas áreas da engenharia é fundamental garantir a saúde das estruturas utilizadas. O Structural Health Monitoring (SHM) é a disciplina específica que tem como objetivo avaliar e manter a integridade de estruturas, possibilitando a detecção precoce de falhas e prolongando sua vida útil. Neste trabalho iremos apresentar uma aplicação de Machine Learning (ML) como uma ferramenta auxiliar no processo de identificação de falhas essencial ao SHM. Em particular, analisaremos um estudo de caso desenvolvido com ênfase nas pás de turbinas eólicas e utilizaremos os dados deste caso como uma base para demonstrar a aplicabilidade dos conceitos teóricos. Dentre as técnicas utilizadas damos destaque a metodologia focada na redução dimensional, tanto através de métodos tradicionais como o Principal Component Analysis quanto mais modernos como o Feature Engineering, aliados aos modelos altamente adaptativos de ML. Essas ferramentas são fundamentais para ser possível tirar máximo proveito da imensa quantidade de dados que são produzidos pelas tecnologias de sensores e de monitoramento moderno. A integração de ML ao SHM não apenas aprimora a precisão na identificação de falhas, mas também exemplifica a adaptabilidade e eficácia de tecnologias inovadoras na proteção da saúde estrutural.

[en] In various engineering fields, ensuring the health of utilized structures is crucial. Structural Health Monitoring (SHM) is the specific discipline aimed at assessing and maintaining the integrity of structures, enabling early fault detection, and extending their lifespan. In this work, we will present an application of Machine Learning (ML) as an auxiliary tool in the essential fault identification process within SHM. Specifically, we will analyze a case study with an emphasis on wind turbine blades, utilizing the data from this case as a basis to demonstrate the applicability of theoretical concepts. Among the techniques employed, we highlight the methodology focused on dimensional reduction, utilizing both traditional methods such as Principal Component Analysis and more modern approaches like feature engineering, coupled with highly adaptive ML models. These tools are crucial to harness the maximum potential of the vast amount of data generated by modern sensor and monitoring technologies. The integration of ML into SHM not only enhances precision in fault identification but also exemplifies the adaptability and effectiveness of innovative technologies in safeguarding structural health.

HELON VICENTE HULTMANN AYALA

PEDRO HENRIQUE LEITE DA SILVA PIRES DOMINGUES

2023-12-21

[pt] TEXTO

application/pdf

PORTUGUÊS

https://www.maxwell.vrac.puc-rio.br/colecao.php?strSecao=resultado&nrSeq=65666@1

https://www.maxwell.vrac.puc-rio.br/colecao.php?strSecao=resultado&nrSeq=65666@2

https://doi.org/10.17771/PUCRio.acad.65666