Submitted by Pedro Barros (pedro.silvabarros@ufpe.br) on 2018-06-26T22:26:10Z No. of bitstreams: 2 license_rdf: 811 bytes, checksum: e39d27027a6cc9cb039ad269a5db8e34 (MD5) DISSERTAÇÃO Caio Bezerra Souto Maior.pdf: 3924685 bytes, checksum: 6968386bf75059f45ee80306322d2a56 (MD5) / Made available in DSpace on 2018-06-26T22:26:10Z (GMT). No. of bitstreams: 2 license_rdf: 811 bytes, checksum: e39d27027a6cc9cb039ad269a5db8e34 (MD5) DISSERTAÇÃO Caio Bezerra Souto Maior.pdf: 3924685 bytes, checksum: 6968386bf75059f45ee80306322d2a56 (MD5) Previous issue date: 2017-02-21 / CAPES / The useful life time of equipment is an important variable related to reliability and maintenance. The knowledge about the useful remaining life of operation system by means of a prognostic and health monitoring could lead to competitive advantage to the corporations. There are numbers of models trying to predict the reliability’s variable behavior, such as the remaining useful life, from different types of signal (e.g. vibration signal), however several could not be realistic due to the imposed simplifications. An alternative to those models are the learning methods, used when exist many observations about the variable. A well-known method is Support Vector Machine (SVM), with the advantage that is not necessary previous knowledge about neither the function’s behavior nor the relation between input and output. In order to achieve the best SVM’s parameters, a Particle Swarm Optimization (PSO) algorithm is coupled to enhance the solution. Empirical Mode Decomposition (EMD) and Wavelets rise as two preprocessing methods seeking to improve the input data analysis. In this paper, EMD and wavelets are used coupled with PSO+SVM to predict the rolling bearing Remaining Useful Life (RUL) from a vibration signal and compare with the prediction without any preprocessing technique. As conclusion, EMD models presented accurate predictions and outperformed the other models tested. / O tempo de vida útil de um equipamento é uma importante variável relacionada à confiabilidade e à manutenção, e o conhecimento sobre o tempo útil remanescente de um sistema em operação, por meio de um monitoramento do prognóstico de saúde, pode gerar vantagens competitivas para as corporações. Existem diversos modelos utilizados na tentativa de prever o comportamento de variáveis de confiabilidade, tal como a vida útil remanescente, a partir de diferentes tipos de sinais (e.g. sinal de vibração), porém alguns podem não ser realistas, devido às simplificações impostas. Uma alternativa a esses modelos são os métodos de aprendizado, utilizados quando se dispõe de diversas observações da variável. Um conhecido método de aprendizado supervisionado é o Support Vector Machine (SVM), que gera um mapeamento de funções de entrada-saída a partir de um conjunto de treinamento. Para encontrar os melhores parâmetros do SVM, o algoritmo de Particle Swarm Optimization (PSO) é acoplado para melhorar a solução. Empirical Mode Decomposition (EMD) e Wavelets são usados como métodos pré-processamento que buscam melhorar a qualidade dos dados de entrada para PSO+SVM. Neste trabalho, EMD e Wavelets foram usadas juntamente com PSO+SVM para estimar o tempo de vida útil remanescente de rolamentos a partir de sinais de vibração. Os resultados obtidos com e sem as técnicas de pré-processamento foram comparados. Ao final, é mostrado que modelos baseados em EMD apresentaram boa acurácia e superaram o desempenho dos outros modelos testados.