Orientador: Robson Pederiva / Dissertação (mestrado) -Universidade Estadual de Campinas, Faculdade de Engenharia Mecanica / Made available in DSpace on 2018-07-22T22:17:03Z (GMT). No. of bitstreams: 1 Portari_MarcusVinicius_M.pdf: 6880712 bytes, checksum: 1da93c93d20ba48dab7451280bca3396 (MD5) Previous issue date: 1997 / Resumo: Atualmente, a maioria dos métodos de diagnóstico fundamenta-se na comparação e/ou classificação de padrões. Estes métodos têm recebido uma atenção especial nas últimas duas décadas e as teorias recentes de sistemas fuzzy, árvores de decisão, sistemas especialistas e redes neurais artificiais têm sido muito utilizadas nos processos de comparação/classificação de padrões. No entanto, grande parte destes métodos exige um esforço elevado na obtenção de padrões e inclui procedimentos complexos que inviabilizam seu uso no diagnóstico de equipamentos de menor responsabilidade e custo. Este trabalho contribui neste ponto analisando dois métodos de diagnóstico alternativos, um baseado na distância Euclideana e outro na distância de Mahalanobis. Estes métodos não exigiram um grande esforço na fase de treinamento e foram facilmente implementados. Para estudá-Ios, desenvolveu-se um trabalho experimental em um conjunto moto-bomba simulando-se alguns tipos de defeitos, tais como, desbalanceamento, obstruções nas tubulações de sucção e recalque, e modificações geométricas nas pás do rotor. A análise comparativa dos métodos foi realizada através de seus desempenhos na classificação de amostras não utilizadas na fase de treinamento. O desempenho de cada método foi calculado através de um índice de sensibilidade obtido pelo número de amostras corretamente classificadas dentro de um conjunto. O método de diagnóstico baseado na distância de Mahalanobis apresentou, em geral, melhores resultados do que o método baseado na distância Euclideana / Abstract: Presently, most diagnostic methods are based on pattern matching or pattern classification. In the past two decades, a large number of pattern matching and pattern classification have been developed. Currently, research has been extended to the applications of expert systems, fuzzy systems, decision trees and artificial neural networks. However most of these methods requires high efforts in learning phase. They include complex procedures that are unsuitable for the diagnostic of simple machines. This work analyzes two altemative diagnostic methods, one based on Euclidean distance and another based on Mahalanobis distance. These methods did not require high efforts in learning phase and were easily implemented. An experimental setup involving a centrífugal pump was designed to analyze these methods. Some faults like unbalance, suction and discharge piping obstructions, and geometrical modificationson rotor blades were studied. Data from healthy and fault conditions were used to evaluate the sensitivity of the two methods. In general, the diagnostic method based on Mahalanobis distance presented better results than the method based on Euclidean distance / Mestrado / Mecanica dos Sólidos e Projeto Mecanico / Mestre em Engenharia Mecânica