Use este identificador para citar ou linkar para este item: http://repositorio.ufes.br/handle/10/10711
Título: Detecção e Diagnóstico de Falhas em Sistemas de Arrefecimento de Motor Diesel Ferroviário
Autor(es): Carmo, Daniel Augusto do
Orientador: Ciarelli, Patrick Marques
Data do documento: 6-Set-2018
Editor: Universidade Federal do Espírito Santo
Resumo: Motores Diesel são usados em uma ampla gama de aplicações industriais, desde geradoresde energia até motores mecânicos. A detecção de falhas incipientes é muito importantepara a segurança e a redução de custos em qualquer uma dessas aplicações. Este trabalhoapresenta duas abordagens para detecção de falhas no sistema de arrefecimento de ummotor Diesel ferroviário e, em uma delas, também é realizado o diagnóstico. O motorestudado opera com diferentes rotações e potências que afetam as variáveis usadas em seusistema de controle e de proteção. Foram coletados dados de operação normal e de falhade um motor Diesel real, através de um sistema desenvolvido para a aquisição dos dados.Na primeira abordagem propõe-se um classificador para identificar o ponto de operação apartir de medidas de rotação. Nesse caso, modelos baseados nos dados são criados paraestimar a pressão interna do sistema de arrefecimento, e com elas gerar resíduos usados paraa detecção da falha. Os múltiplos modos de operação requerem o uso de um classificadorpara selecionar um dos múltiplos modelos e normalização dos resíduos correspondentes. Aaplicação dessa metodologia permitiu detectar a falha causada por vazamento de água comgrande antecipação, sendo esta uma caraterística muito desejável em sistemas de detecçãode falhas. A segunda abordagem faz o uso de classificadores do tipo kNN e redes neuraisartificiais para a detecção e o diagnóstico de duas falhas: vazamento de água e redução dapressão no circuito de água. Características estatísticas dos sinais de velocidade do motor,pressão e temperatura de água são utilizadas pelos classificadores. Os classificadores foramavaliados pelo erro quadrático médio e os erros de classificação na matriz de confusão.Ambos os classificadores apresentaram bom desempenho para a detecção e o diagnósticodas duas falhas. A metodologia permite ampliar o número de falhas tratadas.
Diesel engines are used in a wide range of industrial applications, from power generators tomechanical motors. The detection of incipient faults is very important for safety and costreduction in any of these applications. This work presents two approaches for detectingfailures in the cooling system of a railway diesel engine and, in one of them, the diagnosis isalso made. The studied engine operates with different rotations and powers that affect thevariables used in its control and protection system. Data from normal and faulty situationsof a real diesel engine were collected through a system developed for data acquisition. Inthe first approach, a classifier is proposed to identify the operating point from rotationmeasurements. In this case, models based on the data are created to estimate the internalpressure of the cooling system, and with them generate residuals used for fault detection.The multiple modes of operation require the use of a classifier to select one of the multiplemodels and corresponding residual normalization. The application of this methodologyallowed to detect the fault caused by water leakage with great anticipation, which is a verydesirable feature in fault detection systems. The second approach uses kNN classifiers andartificial neural networks to detect and diagnose two types of failure: leakage of water andreduction of pressure in the water circuit. Statistical characteristics of the motor speedsignals, pressure and water temperature are used by the classifiers. The classifiers wereevaluated by the mean square error and the classification errors in the confusion matrix.Both classifiers presented good performance for the detection and diagnosis of the twofaults. The methodology allows to increase the number of failures considered.
URI: http://repositorio.ufes.br/handle/10/10711
Aparece nas coleções:PPGEE - Dissertações de mestrado

Arquivos associados a este item:
Arquivo Descrição TamanhoFormato 
tese_12254_Dissertação Daniel Augusto do Carmo.pdf5.53 MBAdobe PDFVisualizar/Abrir


Os itens no repositório estão protegidos por copyright, com todos os direitos reservados, salvo quando é indicado o contrário.