A atual crescente necessidade de análise de coleções de dados cada vez mais complexas e extensas, nas diversas áreas da investigação científica, tem permitido o desenvolvimento de novas ferramentas para a melhoria da percepção de informações que nem sempre são explícitas e visíveis. Estudos de ferramentas matemáticas que propiciem o destaque de algumas destas informações, ou que inteligentemente reconheçam padrões associados aos diferentes conjuntos de dados, têm demonstrado resultados promissores. No entanto, o sucesso da escolha da metodologia apropriada para a análise dos dados, está vinculado a vários fatores como: a tecnologia disponível para a prospecção destes dados, a adequada coleta e seleção das amostras, e principalmente, a capacidade do pesquisador em interagir com a nova tecnologia de exploração. No presente projeto, é proposta uma metodologia de análise multidimensional dos dados de unidades de gerenciamento de recursos hídricos UGRHIs, localizadas no estado de São Paulo, por meio das redes neurais SOM (Mapas Auto-Organizáveis). Estes mapas são utilizados para estudar e visualizar possíveis correlações entre as diversas variáveis deste banco de dados relativas à análise de compostos inorgânicos e parâmetros físico químicos referentes à qualidade da água nestas unidades. / The current increasingly need for data analysis on larger and more complex data collections, in many different areas of scientific research, has induced the development of new tools for the perception improvement of information that not always is explicit and visible at first. Studies of mathematical tools which could enable the highlight of some of this information, or should intelligently recognize patterns associated with these different data collection, have been showing promising results. However, the success of the choice of the appropriate analysis method is associated with several factors: the available technology for this data exploration, the correct gathering and selection of samples, and mainly, the researcher ability to interact with the new exploration technology. In this project we propose a methodology for analyzing multidimensional data from Water Resources Management Units (WRMUs), which are located in São Paulo state, through Self - Organizing Maps (SOM) neural networks. These maps are used to study and visualize possible correlations between the different variables existent in this database, which are derived from analysis of inorganic and physical - chemical parameters related to WRMUs water quality

A atual crescente necessidade de análise de coleções de dados cada vez mais complexas e extensas, nas diversas áreas da investigação científica, tem permitido o desenvolvimento de novas ferramentas para a melhoria da percepção de informações que nem sempre são explícitas e visíveis. Estudos de ferramentas matemáticas que propiciem o destaque de algumas destas informações, ou que inteligentemente reconheçam padrões associados aos diferentes conjuntos de dados, têm demonstrado resultados promissores. No entanto, o sucesso da escolha da metodologia apropriada para a análise dos dados, está vinculado a vários fatores como: a tecnologia disponível para a prospecção destes dados, a adequada coleta e seleção das amostras, e principalmente, a capacidade do pesquisador em interagir com a nova tecnologia de exploração. No presente projeto, é proposta uma metodologia de análise multidimensional dos dados de unidades de gerenciamento de recursos hídricos UGRHIs, localizadas no estado de São Paulo, por meio das redes neurais SOM (Mapas Auto-Organizáveis). Estes mapas são utilizados para estudar e visualizar possíveis correlações entre as diversas variáveis deste banco de dados relativas à análise de compostos inorgânicos e parâmetros físico químicos referentes à qualidade da água nestas unidades. / The current increasingly need for data analysis on larger and more complex data collections, in many different areas of scientific research, has induced the development of new tools for the perception improvement of information that not always is explicit and visible at first. Studies of mathematical tools which could enable the highlight of some of this information, or should intelligently recognize patterns associated with these different data collection, have been showing promising results. However, the success of the choice of the appropriate analysis method is associated with several factors: the available technology for this data exploration, the correct gathering and selection of samples, and mainly, the researcher ability to interact with the new exploration technology. In this project we propose a methodology for analyzing multidimensional data from Water Resources Management Units (WRMUs), which are located in São Paulo state, through Self - Organizing Maps (SOM) neural networks. These maps are used to study and visualize possible correlations between the different variables existent in this database, which are derived from analysis of inorganic and physical - chemical parameters related to WRMUs water quality

Tese de mestrado integrado. Engenharia Eletrotécnica e de Computadores - Major Energia. Faculdade de Engenharia. Universidade do Porto. 2012

Submitted by Automa??o e Estat?stica (sst@bczm.ufrn.br) on 2017-03-28T19:32:54Z No. of bitstreams: 1 MarcoAntonioLeandroCabral_TESE.pdf: 13589109 bytes, checksum: dcecde654045d4bb434b8363031ec773 (MD5) / Approved for entry into archive by Arlan Eloi Leite Silva (eloihistoriador@yahoo.com.br) on 2017-03-29T19:12:55Z (GMT) No. of bitstreams: 1 MarcoAntonioLeandroCabral_TESE.pdf: 13589109 bytes, checksum: dcecde654045d4bb434b8363031ec773 (MD5) / Made available in DSpace on 2017-03-29T19:12:55Z (GMT). No. of bitstreams: 1 MarcoAntonioLeandroCabral_TESE.pdf: 13589109 bytes, checksum: dcecde654045d4bb434b8363031ec773 (MD5) Previous issue date: 2017-01-17 / Prevenir, antever, evitar falhas em sistemas eletromec?nicos s?o demandas que desafiam pesquisadores e profissionais de engenharia a d?cadas. Sistemas eletromec?nicos apresentam processos tribol?gicos que resultam em fadiga de materiais e consequente perda de efici?ncia ou mesmo de utilidade de m?quinas e equipamentos. Diversas t?cnicas s?o utilizadas na tentativa de, atrav?s da an?lise de sinais oriundos dos equipamentos estudados, que seja poss?vel a minimiza??o das perdas inerentes ?queles sistemas e as consequ?ncias desses desgastes em momentos n?o esperados, como uma aeronave em voo ou uma perfuratriz em um po?o de petr?leo. Dentre elas podemos citar a an?lise de vibra??o, medi??o da press?o ac?stica, monitoramento de temperatura, an?lise de part?culas de ?leo lubrificante etc. Entretanto sistemas eletromec?nicos s?o complexos e podem apresentar comportamentos inesperados. A manuten??o centrada na confiabilidade necessita de recursos tecnol?gicos cada vez mais r?pidos, eficientes e robustos para garantir sua efici?ncia e efic?cia. T?cnicas de an?lise de efeitos e modos de falha (FMEA ? Failure Mode Effect Analysis) em equipamentos s?o utilizadas para aumentar a confiabilidade dos sistemas de manuten??o preventiva e preditiva. As redes neurais artificiais (RNA) s?o ferramentas computacionais que encontram aplicabilidade em diversos segmentos da pesquisa e an?lise de sinais, onde h? necessidade do manuseio de grandes quantidades de dados, associando estat?stica e computa??o na otimiza??o de processos din?micos e um alto grau de confiabilidade. S?o sistemas de intelig?ncia artificial que t?m capacidade de aprender, s?o robustas a falhas e podem apresentar resultados em tempo real. Este trabalho tem como objetivo a utiliza??o de redes neurais artificiais para tratar sinais provenientes da monitora??o de par?metros tribol?gicos atrav?s do uso de uma bancada de testes para simular falhas de contato em um compressor de ar, a fim de criar um sistema de detec??o e classifica??o de falhas automatizado, n?o supervisionado, com o uso de mapas auto-organiz?veis, ou redes SOM (self organizaed maps), aplicado ? manuten??o preventiva e preditiva de processos eletromec?nicos. / Preventing, anticipating, avoiding failures in electromechanical systems are demands that have challenged researchers and engineering professionals for decades. Electromechanical systems present tribological processes that result in fatigue of materials and consequent loss of efficiency or even usefulness of machines and equipment. Several techniques are used in an attempt to minimize the inherent losses of these systems through the analysis of signals from the equipment studied and the consequences of these wastes at unexpected moments, such as an aircraft in flight or a drilling rig in an oil well. Among them we can mention vibration analysis, acoustic pressure measurement, temperature monitoring, particle analysis of lubricating oil etc. However, electromechanical systems are complex and may exhibit unexpected behavior. Reliability-centric maintenance requires ever faster, more efficient and robust technological resources to ensure its efficiency and effectiveness. Failure Mode Effect Analysis (FMEA) techniques in equipment are used to increase the reliability of preventive and predictive maintenance system. Artificial neural networks (ANNs) are computational tools that find applicability in several segments of the research and signal analysis, where it is necessary to handle large amounts of data, associating statistics and computation in the optimization of dynamic processes and a high degree of reliability. They are artificial intelligence systems that have the ability to learn, are robust to failures, and can deliver realtime results. This work aims at the use of artificial neural networks to treat signals from the monitoring of tribological parameters through the use of a test bench to simulate contact failures in an air compressor in order to create an automated fault detection and classification system, unsupervised, with the use of self-organized maps, or SOM, applied to the preventive and predictive maintenance of electromechanical processes.