Todos os documentos desta Coleção podem ser acessados, mantendo-se os direitos dos autores pela citação da origem.Adegas, Fabiano DaherFantin, Thiago HusseinRocha, Hugo GonçalvesScodiero, Gabriel Ulhôa de Avelar2022-06-302022-06-3020202020https://repositorio.insper.edu.br/handle/11224/3320Projeto realizado na empresa General Electric Renewable Energy (GE).Atualmente, 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.PortuguêsManutenção preditiva; Modos de falha;Acoplamento de Turbinas Eólicasbachelor thesis