A evolução tecnológica dos sensores, da eletrônica e dos sistemas embarcados melhorou o desempenho, a confiabilidade e a robustez dos sistemas assim como as atividades de manutenção, em especial, as de manutenção proativa. Estes avanços tecnológicos possibilitaram uma nova visão sobre as práticas de manutenção existentes. A expansão das áreas de processamento de sinais e inteligência artificial proporcionou novas abordagens aos sistemas de controle, promovendo a criação de novos modelos de confiabilidade e disponibilidade de equipamentos e sistemas. Além disso, aumentou a precisão no reconhecimento de padrões de falhas, ampliou a avaliação e o diagnóstico de danos em equipamentos e sistemas, e adicionou inteligência aos sistemas de manutenção existentes. Diversas técnicas de processamento de sinais (tais como a transformada de Fourier), de inteligência artificial (as redes neurais artificiais e a lógica nebulosa, por exemplo) e de filtragem adaptativa (os filtros adaptativos, como exemplo) já são utilizadas com sucesso para detectar e prevenir falhas em vários tipos de equipamentos. Os sistemas de manutenção que fazem uso das técnicas de processamento de sinais e inteligência artificial, em conjunto, por exemplo, são conhecidos como sistemas de manutenção inteligente. Através desses sistemas, é possível monitorar as condições físicas, tomar decisões, efetuar ações de manutenção e fornecer diagnósticos precisos de falhas. Este trabalho aborda a implementação de um sistema de manutenção inteligente embarcado que usa a transformada wavelet packet e os mapas auto-organizáveis ou os filtros adaptativos para detectar, classificar e prever falhas em atuadores elétricos. A idéia principal deste trabalho é determinar qual destas ferramentas, mapas auto-organizáveis ou filtros adaptativos, é a mais adequada para o embarque. Espera-se com a implantação embarcada desse sistema de manutenção, por exemplo, evitar falhas nos atuadores e promover uma maior reutilização de peças. / The technological evolution of sensors, electronics, and embedded systems has improved the performance, reliability and robustness of systems as well the maintenance activities, especially the proactive maintenance. These technological advances have provided a new view about the existing maintenance practices. The expansion of signal processing and artificial intelligence has provided new approaches in industrial control systems leading to the proposal of new reliability and availability models for equipments and systems. Moreover, it has increased the precision in failure pattern recognition, has extended the assessment and diagnosis of damages in equipments and systems, and has added intelligence to existing maintenance systems. Several techniques for signal processing (such as Fourier transform), artificial intelligence (artificial neural networks, for example) and adaptive filtering (adaptive filters, as an example) are already used successfully to detect and prevent failures in several kinds of equipments. The maintenance systems that use, for example, the techniques for signal processing and artificial intelligence together are known as intelligent maintenance systems. It is possible to control the physical conditions, make decisions, perform maintenance activities and do accurate diagnosis of failures using those systems. This work presents the implementation of an embedded intelligent maintenance system using wavelet packet analysis and self organizing maps or adaptive filters for detection, classification, and prediction of failures in electrical actuators. The main idea is to determine which of these tools, self-organizing maps or adaptive filters, is the most suitable for the implementation in embedded systems. It is expected that with the implementation of this maintenance system, failures in actuators are avoided, and that a greater reuse of parts is achieved.
Identifer | oai:union.ndltd.org:IBICT/oai:lume.ufrgs.br:10183/32591 |
Date | January 2011 |
Creators | Gonçalves, Luiz Fernando |
Contributors | Lubaszewski, Marcelo Soares |
Source Sets | IBICT Brazilian ETDs |
Language | Portuguese |
Detected Language | Portuguese |
Type | info:eu-repo/semantics/publishedVersion, info:eu-repo/semantics/doctoralThesis |
Format | application/pdf |
Source | reponame:Biblioteca Digital de Teses e Dissertações da UFRGS, instname:Universidade Federal do Rio Grande do Sul, instacron:UFRGS |
Rights | info:eu-repo/semantics/openAccess |
Page generated in 0.0025 seconds