Please use this identifier to cite or link to this item: https://repositorio.insper.edu.br/handle/11224/3320
Full metadata record
DC FieldValueLanguage
dc.rights.licenseTodos os documentos desta Coleção podem ser acessados, mantendo-se os direitos dos autores pela citação da origem.pt_BR
dc.contributor.advisorAdegas, Fabiano Daher
dc.contributor.authorFantin, Thiago Hussein
dc.contributor.authorRocha, Hugo Gonçalves
dc.contributor.authorScodiero, Gabriel Ulhôa de Avelar
dc.coverage.spatialSão Paulo, SPpt_BR
dc.date.accessioned2022-06-30T19:47:47Z-
dc.date.available2022-06-30T19:47:47Z-
dc.date.issued2020
dc.date.submitted2020
dc.identifier.urihttps://repositorio.insper.edu.br/handle/11224/3320-
dc.descriptionProjeto realizado na empresa General Electric Renewable Energy (GE).pt_BR
dc.description.abstractAtualmente, a manutenção preditiva vem sendo adotada por empresas dos mais diversos segmentos. Poder prever falhas antes que as mesmas ocorram e diminuir o número de inspeções preventivas nas turbinas é economicamente vantajoso, além de auxiliar na estruturação de um cronograma de manutenção adequado. Visando isto, este projeto tem como tema a implementação de um algoritmo para detecção de anomalia e possíveis falhas nos acoplamentos flexíveis das turbinas eólicas da empresa General Electric Renewable Energy (GE). Para isto, foi implementado um classificador de classe única por SVM (SVM One-Class Classifier) alimentado com 110 arquivos de dados de vibração referentes a 6 turbinas saudáveis fornecidas pela própria General Electric Renewable Energy. O algoritmo teve como objetivo utilizar os dados obtidos pelas turbinas em funcionamento saudável para gerar uma “fronteira” para os valores normais de vibração. Possíveis anomalias seriam consideradas outliers e indicadas como tal. Uma vez treinado, o desempenho do classificador foi validado utilizando 37 arquivos com dados referentes às mesmas 6 turbinas saudáveis e 6 arquivos com dados referentes a 5 turbinas defeituosas, obtendo uma acurácia de 97,30% no primeiro grupo e 100% no segundo grupo. O algoritmo foi desenvolvido no software MATLAB_R2020b.pt_BR
dc.language.isoPortuguêspt_BR
dc.subjectManutenção preditiva; Modos de falha;pt_BR
dc.subjectAcoplamento de Turbinas Eólicaspt_BR
dc.titleManutenção Preditiva do Acoplamento Flexível de Turbinas Eólicas (GE Renewable Energy)pt_BR
dc.typeTrabalho de Conclusão de Cursopt_BR
dc.contributor.defensecommitteeAdegas, Fabiano Daher
dc.contributor.defensecommitteeSantos, Raphael Galdino dos
dc.contributor.defensecommitteeLicks, Vinicius
Appears in Collections:Graduações em Engenharias

Files in This Item:
File Description SizeFormat 
GE - Relatório final.pdf1.9 MBAdobe PDFThumbnail
View/Open

Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.