[pt] O monitoramento de integridade estrutural tem sido o foco de desenvolvimentos recentes no campo da avaliação baseada em vibração e, mais recentemente, no escopo da internet das coisas à medida que medição e computação se
tornam distribuídas. Os dados se tornaram abundantes, embora a transmissão
nem sempre seja viável em frequências mais altas especialmente em aplicações
remotas. Portanto, é importante conceber fluxos de trabalho de modelo orientados por dados que garantam a melhor relação entre a precisão do modelo
para avaliação de condição e os recursos computacionais necessários para soluções incorporadas, tópico que não tem sido amplamente utilizado no contexto
de medições baseadas em vibração. Neste contexto, a presente pesquisa propõe
abordagens para duas aplicações: na primeira foi proposto um fluxo de trabalho
de modelagem capaz de reduzir a dimensão dos parâmetros de modelos autorregressivos usando análise de componentes principais e classificar esses dados
usando algumas técnicas de aprendizado de máquina como regressão logística,
máquina de vetor de suporte, árvores de decisão, k-vizinhos próximos e floresta
aleatória. O exemplo do prédio de três andares foi usado para demonstrar a
eficácia do método. No segundo caso, é utilizado um equipamento de teste
composto por inércias rotativas onde a solução de monitoramento foi testada
em uma plataforma baseada em GPU embarcada. Os modelos implementados
para distinguir eficazmente os diferentes estados de atrito foram análise de
componentes principais, deep autoencoders e redes neurais artificiais. Modelos
rasos têm melhor desempenho em tempo de execução e precisão na detecção
de condições de falha. / [en] Structural health monitoring has been the focus of recent developments
in vibration-based assessment and, more recently, in the scope of the internet
of things as measurement and computation become distributed. Data has become abundant even though the transmission is not always feasible, especially
in remote applications. It is thus essential to devise data-driven model workflows that ensure the best compromise between model accuracy for condition
assessment and the computational resources needed for embedded solutions.
This topic has not been widely used in the context of vibration-based measurements. In this context, the present research proposes two approaches for
two applications, a static and a rotating one. In case one, a modeling workflow capable of reducing the dimension of autoregressive model features using
principal component analysis and classifying this data using some of the main
machine learning techniques such as logistic regression, support vector machines, decision tree classifier, k-nearest neighborhood and random forest classifier was proposed. The three-story building example was used to demonstrate
the method s effectiveness, together with ways to assess the best compromise
between accuracy and model size. In case two, a test rig composed of rotating inertias and slender connecting rods is used, and the monitoring solution
was tested in an embedded GPU-based platform. The models implemented to
effectively distinguish between different friction states were principal component analysis, deep autoencoder and artificial neural networks. Shallow models
perform better concerning running time and accuracy in detecting faulty conditions.
| Identifer | oai:union.ndltd.org:puc-rio.br/oai:MAXWELL.puc-rio.br:59831 |
| Date | 30 June 2022 |
| Creators | CAROLINA DE OLIVEIRA CONTENTE |
| Contributors | HELON VICENTE HULTMANN AYALA |
| Publisher | MAXWELL |
| Source Sets | PUC Rio |
| Language | English |
| Detected Language | Portuguese |
| Type | TEXTO |
Page generated in 0.0027 seconds