TÉCNICA DE DIAGNÓSTICO DE FALHAS EM MOTORES A COMBUSTÃO INTERNA UTILIZANDO APRENDIZAGEM DE MÁQUINA
Tribologia; Motores a combustão interna; Aprendizagem de máquina; Redes Neurais Artificial; Diagnóstico de falhas.
O cenário industrial moderno denota o aumento da competitividade industrial, tendo em vista a complexidade de máquinas e equipamentos – produtos de alta demanda –, os custos de instalações industriais, aliados à preocupação com aspectos de segurança industrial e meio ambiente. Essa tendência induz as grandes indústrias globais a cada vez mais investir em dispositivos, tecnologias e ferramentas destinadas à previsão e predição de falhas decorrentes de não conformidades e avarias em máquinas, equipamentos e instalações industriais. Nesse contexto, o campo de atuação que trata da manutenção preditiva, da análise de previsão e do diagnóstico de falhas ganhou lugar de destaque, além de diversos investimentos em pesquisa e desenvolvimento, principalmente com políticas voltadas à concepção da indústria 4.0. Com a abordagem da indústria 4.0, possibilita-se a análise de componentes mecânicos em regime dinâmico e respostas em tempo real, sem a necessidade de equipamento parado, o que está diretamente relacionado à diminuição dos custos e do tempo de produção. Dito isso, a presente tese tem por objetivo apresentar uma nova metodologia para a detecção e o monitoramento de falhas tribológicas em motores a combustão interna, por intermédio da aprendizagem de máquinas por métodos não supervisionados e Big Data, utilizando técnicas de processamento de sinais aliadas a algoritmos de Redes Neurais Artificiais (RNA) e análise de clusters, criando um sistema inteligente capaz de identificar padrões de falhas a partir das condições destas e da variação de carga mecânica em motores a combustão interna Ciclo Otto.