Sistema de diagnóstico de falhas não supervisionadas baseado em computação em nuvem no contexto da Indústria 4.0

Ali, Amr Mohamed; Mohamed, El-Adl; Yacout, Soumaya; Shaban, Yasser

Brasil

Español English

Thematic Section: Digital transformation, intelligent manufacturing and supply chain management 4.0 • Gest. Prod. 27 (3) • 2020 • https://doi.org/10.1590/0104-530X5378-20 copiar

Sistema de diagnóstico de falhas não supervisionadas baseado em computação em nuvem no contexto da Indústria 4.0

Autoria SCIMAGO INSTITUTIONS RANKINGS

Resumo:

Novos sistemas de monitoramento e alarme de falhas on-line, com a ajuda dos sistemas ciber-físicos (CPS) e da tecnologia em nuvem (CT), são examinados neste artigo no contexto da indústria 4.0. Os dados coletados das máquinas são utilizados para implementar estratégias de manutenção com base no diagnóstico e prognóstico do desempenho das máquinas. Assim, o objetivo deste artigo é propor uma Plataforma de Computação em Nuvem contendo três camadas de tecnologias que formam um Sistema Ciber-Físico que recebe dados não rotulados para gerar uma decisão on-line interpretada para a equipe local, além de coletar dados históricos para melhorar a analisador. O solucionador de problemas proposto é testado usando conjuntos de dados experimentais não identificados de rolamentos de corpos rolantes. Por fim, são discutidos os atuais e futuros sistemas de diagnóstico de falhas e a aplicação de tecnologias de nuvem no campo de manutenção.

Palavras-chave:
Sistema de diagnóstico remoto de falhas (RFDS); Análise lógica de dados (LAD); Sistema físico cibernético (CPS); Reconhecimento de padrões; Indústria 4.0; Computação em nuvem

Feature Name	Formula
Range (R)	$R a n g e = M a x (y_{i}) - M i n (y_{i})$
Mean Value (M)	$M e a n = \frac{\sum_{i = 1}^{N} y_{i}}{N}$
Standard Divination (D)	$S T D E = \sqrt{\frac{\sum {(y_{i} - \bar{y})}^{2}}{(N - 1)}}$
Skewness(S)	$S k = \frac{n}{(n - 1) (n - 2)} {\sum (\frac{y_{i} - \bar{y}}{S T D E D})}^{3}$
Kurtosis (K)	$K u = \frac{n (n + 1)}{(n - 1) (n - 2) (n - 3)} {\sum (\frac{y_{i} - \bar{y}}{S T D E D})}^{4} - \frac{3 {(n - 1)}^{2}}{(n - 2) (n - 3)}$
Root Mean Square (RM)	$R M S = {\sqrt{\frac{1}{N} \sum_{i = 1}^{N} {(y_{i} - {\bar{y}}_{})}^{2}}}^{}$
Crest Factor (C)	$C F = \frac{M a x (y_{i})}{R M S}$

Date	Time	Range	Mean	STDE	SK	KU	RMS	CF
12/2/2004	10.32	0.840	-0.010	0.073	0.084	0.629	0.074	6.120
12/2/2004	11.02	1.184	-0.002	0.079	0.041	1.159	0.079	7.723
12/2/2004	12.02	0.722	-0.002	0.076	0.046	0.326	0.076	4.992
12/2/2004	13.02	0.725	-0.002	0.079	-0.013	0.553	0.079	4.500
12/2/2004	14.02	0.742	-0.002	0.079	0.038	0.385	0.079	4.801
19/2/2004	02.02	1.489	-0.003	0.207	-0.161	0.169	0.207	3.286
19/2/2004	03.02	1.995	-0.002	0.235	0.090	0.447	0.235	4.144
19/2/2004	04.02	3.940	-0.001	0.326	-0.122	1.597	0.326	5.096
19/2/2004	05.02	9.998	0.003	0.672	-0.766	14.114	0.672	7.436
19/2/2004	06.02	7.197	-0.002	0.484	-0.377	4.893	0.484	7.236

No.	Class Name	Quantity
1	Healthy class	751
2	Unhealthy class	206

Universidade Federal de São Carlos Departamento de Engenharia de Produção , Caixa Postal 676 , 13.565-905 São Carlos SP Brazil, Tel.: +55 16 3351 8471 - São Carlos - SP - Brazil
E-mail: gp@dep.ufscar.br

Acompanhe os números deste periódico no seu leitor de RSS

[1] “N” is the length of data, while “y” is the amplitude of vibration signal.

N.	Positive Patterns	Negative Patterns
1	R>1.169, K>0.1072, RM>4.917	D>-0.053, S>2.39, K<0.1669
2	R>1.109, D<-0.009, K>0.1054, RM>4.654	D>-0.115, K<0.0997, RM>4.034
3	R>1.029, M>-0.0019, D<-0.056, K>0.098, RM>5.21	R<1.024, M>-0.0018, D>-0.065, S<1.134, K<0.16
4	R>0.9175, D<-0.009, K>0.0988, RM>4.654	R<1.07, D>-0.0426, S<2.39, K<0.1669, RM>4.71
5	M>-0.0019, D<-0.0285, K>0.098895	R<1.029, D>-0.0536, S<2.39, K0.1669
6	R>0.991, M<-0.0019, D<-0.059, K>0.0988	R<1.078, M<-0.0019, D>-0.068, SK<2.39, K<0.166