• JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
 
  Bookmark and Share
 
 
Doctoral Thesis
DOI
Document
Author
Full name
André Luís Dias
Institute/School/College
Knowledge Area
Date of Defense
Published
São Carlos, 2019
Supervisor
Committee
Brandão, Dennis (President)
Cunha, Marcio José da
Nicoletti, Rodrigo
Sabe, Jose Guilherme
Silva, Ivan Nunes da
Title in Portuguese
Diagnóstico de anomalias em aplicações de acionamento de motores elétricos a partir de dados de processo de rede PROFINET e aprendizagem de máquinas
Keywords in Portuguese
Condition Monitoring
Real Time Ethernet
Acionamentos de Motores Elétricos
Aprendizagem de Máquinas
Sistemas Dinâmicos
Abstract in Portuguese
Este trabalho propõe investigar, desenvolver e validar uma metodologia de projeto para sistemas de diagnóstico para detecção de falhas e anomalias em aplicações de acionamento de motores elétricos, comumente utilizados na indústria de manufatura. A metodologia proposta é baseada na coleta e interpretação de dados de processo de redes PROFINET, perfil PROFIdrive, e ferramentas de aprendizagem de máquinas. Técnicas de extração e redução de atributos são aplicadas nos dados de processo coletados. Estes atributos são utilizados em algoritmos para reconhecimento de padrões, os algoritmos investigados são o k-Nearest Neighbor, Redes Neurais Artificiais, Support Vector Machines, e adicionalmente uma adaptação da metodologia é feita utilizando um algoritmo para detecção de novidades. A avaliação da metodologia considerou quatro cenários para estudos de caso, para falhas comuns em aplicações de máquinas rotativas. Os resultados alcançados demonstram a eficácia da metodologia, que foi capaz de detectar as falhas e anomalias investigadas de maneira satisfatória, similares a trabalhos correlatos, com o diferencial de não exigirem sensores adicionais dedicados na coleta de dados. Desta maneira, o trabalho contribui para área de redes de comunicação industrial, mais especificamente o protocolo PROFINET, diagnósticos de anomalias em máquinas acionadas por motores elétricos, e ferramentas de aprendizagem de máquinas.
Title in English
Diagnostics of anomalies in motion control applications based on process data of PROFINET networks and machine learning tools
Keywords in English
Condition Monitoring
Dynamic Systems
Machine Learning
Motion Control Applications
Real Time Ethernet
Abstract in English
This work proposes to investigate, develop and validate a methodology to design diagnostic systems to detect faults and anomalies in motion control applications, commonly used in manufacturing industry. The proposed methodology is based on collection and interpretation of process data from PROFINET networks, PROFIdrive profile, and machine learning tools. Feature extraction and selection techniques are applied to the collected process data. These features are used in algorithms for pattern recognition problems. Investigated algorithms are k-Nearest Neighbor, Artificial Neural Networks, Support Vector Machines and in addition, an adaptation of the methodology is held for novelty detection. Four scenarios were considered as case of studies for methodology evaluation, based on common faults in rotating machine applications. The results proved the methodology effectiveness for diagnostic system design, which were able to detect satisfactorily the investigated faults and anomalies, similar to related work, with the differential of not requiring additional dedicated sensors for data collection. In this way, the work contributes to the area of industrial communication networks, more specifically in PROFINET protocol, diagnostic systems for fault detection in motion control applications, and machine learning tools.
 
WARNING - Viewing this document is conditioned on your acceptance of the following terms of use:
This document is only for private use for research and teaching activities. Reproduction for commercial use is forbidden. This rights cover the whole data about this document as well as its contents. Any uses or copies of this document in whole or in part must include the author's name.
Andre.pdf (15.42 Mbytes)
Publishing Date
2019-09-19
 
WARNING: Learn what derived works are clicking here.
All rights of the thesis/dissertation are from the authors
CeTI-SC/STI
Digital Library of Theses and Dissertations of USP. Copyright © 2001-2020. All rights reserved.