TÉCNICA DE DETECÇÃO DE FALHAS NÃO SUPERVISIONADAS BASEADAS EM INTELIGENCIA ARTIFICIAL PARA MOTORES A COMBUSTÃO INTERNA
Tribologia; motores a combustão interna; Redes Neurais Artificial; Análise de Clusters.
O cenário industrial atual aponta o aumento da competitividade industrial, da complexidade de máquinas e equipamentos, dos custos de instalações industriais, produtos de alta demanda acrescido da preocupação com os aspectos de segurança industrial e do meio ambiente. Tal tendência induz as grandes indústrias globais a cada vez mais investirem em dispositivos, tecnologias e ferramentas destinadas a previsão e predição de falhas decorrentes de não conformidades e avarias em máquinas, equipamentos e instalações industriais. Diante desse cenário, o campo de atuação que trata da manutenção preditiva, análise de previsão e diagnóstico de falhas ganhou um lugar de destaque, além de diversos investimentos em pesquisa e desenvolvimento, principalmente com políticas voltadas a concepção da indústria 4.0. Com a abordagem da indústria 4.0 é possibilitada a análise de componentes mecânicos em regime dinâmico e resposta em tempo real, ou seja, sem a necessidade de equipamento parado, o que está diretamente relacionado a diminuição dos custos e tempo de produção. Dito isso, a presente tese tem por objetivo apresentar uma nova metodologia na detecção e monitoramento de falhas tribológicas e de desempenho em motores a combustão interna, através de técnicas de processamento de sinais aliadas a algoritmos de redes neurais artificiais (RNA) e análise de clusters, criando um sistema inteligente capaz de detectar padrões de falhas e mecanismos tribológicos, contribuindo para a manutenção 4.0 de motores a combustão interna.