Faut detection and diagnosis via multivariate statistics and artificial neural network

Dissertação (mestrado) - Pontifícia Universidade Católica de Minas Gerais, Programa de Pós-Graduação em Engenharia Eletrica Bibliografia: f. 109-111 Resumo: Esta pesquisa apresenta um método de detecção e diagnóstico de faltas via Estatística Multivariada e Redes Neurais Artificiais (RNA). Também são apresentadas algumas técnicas convencionais utilizadas no processo de detecção e diagnóstico de faltas. Análise de Componentes Principais (PCA) é utilizada para fazer a redução da dimensionalidade e extrair as características mais importantes dos dados de processo. A informação de saída do método PCA é enviada para uma Rede Neural Artificial para a detecção e diagnóstico das faltas. Este método proposto é aplicado em um problema de vazamento de óleo hidráulico em máquina de usinagem, e também na detecção e diagnóstico de faltas em um motor elétrico de indução. Tanto no problema de fuga de óleo hidráulico quanto na detecção de faltas no motor elétrico, o método proposto obteve 100% de acerto. Abstract: This research presents a fault detection and diagnosis method via Multivariate Statistics and Artificial Neural Network (ANN). It is presented some conventional techniques used in the process of fault detection and diagnosis. Principal Components Analysis (PCA) is used to make the reduction of the dimensionality and to extract the characteristics most important of the process data. The information of output of method PCA is sent for Artificial Neural Network for the fault detection and diagnosis. The considered method is applied in a problem of leak hydraulic oil in machine grinding, and also in the fault detection and diagnosis in an electric engine of induction. As much in the problem of leak hydraulic oil how much in the fault detection in the electric engine, the considered method got 100% of rightness.