Please use this identifier to cite or link to this item: http://www.monografias.ufop.br/handle/35400000/6804
Title: Predição do nível de vibração máximo de um redutor mecânico em uma janela de tempo futura.
Authors: Nunes, Heitor André
metadata.dc.contributor.advisor: Oliveira, Paganini Barcellos de
Silva, Thiago Augusto de Oliveira
metadata.dc.contributor.referee: Oliveira, Paganini Barcellos de
Silva, Thiago Augusto de Oliveira
Ferreira, Carlos Henrique Gomes
Pereira Filho, Geraldo Magela
Keywords: Previsão
Redes neurais
Vibração - medição
Issue Date: 2024
Citation: NUNES, Heitor André. Predição do nível de vibração máximo de um redutor mecânico em uma janela de tempo futura. 2024. 34 f. Monografia (Especialização em Ciência dos Dados) – Instituto de Ciências Exatas e Aplicadas, Universidade Federal de Ouro Preto, João Monlevade, 2024.
Abstract: Este trabalho teve como objetivo a proposição de uma rede neural recorrente do tipo Long Short-Term Memory (LSTM) para a predição do valor máximo de vibração de um equipamento, em uma janela de tempo futura. Os dados utilizados neste trabalho correspondem aos níveis de vibração de um redutor mecânico de velocidade pertencente a uma empresa produtora de celulose. As funções Rolling e Shift da biblioteca Pandas foram utilizadas para o deslocamento da base de dados para um janela temporal em horas. Como métrica para avaliação e comparação do desempenho das diferentes configurações redes neurais LSTM testadas, utilizou-se o cálculo dos erros absoluto médio e quadrático médio. Como resultado, a configuração de rede LSTM que apresentou o melhor desempenho no processo de validação obteve um erro absoluto médio de 0,00409 e um erro quadrático médio de 0,00074, considerando uma janela temporal de 16 horas e que considera os 18 dados de nível global de vibração anteriores.
metadata.dc.description.abstracten: This study proposes a Long Short-Term Memory (LSTM) recurrent neural network for predicting the maximum vibration value of equipment in a future time window. The data used in this study correspond to the vibration levels of a mechanical speed reducer belonging to a cellulose production company. The Rolling and Shift functions of the Pandas library were used to shift the database to a temporal window in hours. As a metric for evaluating and comparing the performance of the different LSTM neural network configurations tested, the calculation of the mean absolute error and mean squared error was used. As a result, the LSTM network configuration that showed the best performance in the validation process achieved a mean absolute error of 0.00409 and a mean squared error of 0.00074, considering a temporal window of 16 hours and 18 previous vibration data points.
URI: http://www.monografias.ufop.br/handle/35400000/6804
metadata.dc.rights.license: Este trabalho está sob uma licença Creative Commons BY-NC-ND 4.0 (https://creativecommons.org/licenses/by-nc-nd/4.0/?ref=chooser-v1).
Appears in Collections:Especialização - Ciência dos Dados

Files in This Item:
File Description SizeFormat 
MONOGRAFIA_PrediçãoNívelVibração.pdf933,18 kBAdobe PDFView/Open


Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.