Publication
Fault detection and prediction for a wood chip screw conveyor
| dc.contributor.advisor | Mendes, Mateus Daniel Almeida | |
| dc.contributor.author | Henriques, Lucas Oliveira | |
| dc.date.accessioned | 2024-08-27T10:12:06Z | |
| dc.date.available | 2024-08-27T10:12:06Z | |
| dc.date.issued | 2024-04-09 | |
| dc.description.abstract | Equipment maintenance is a fundamental aspect to maximize its availability. Cur- rently, much of the operating and condition monitoring data of industrial machines is collected using sensors and stored for analysis. The present work focuses on analyz- ing data from a screw conveyor from a biomass industry. The velocity and load of the screw conveyor were monitored and analyzed in order to detect and predict possible failures. The objective of this thesis is to develop a machine learning approach to classify anoma- lies of a screw conveyor and predict their future sensory values, in order to try to antic- ipate maintenance needs before they become otherwise evident. An approach based on machine learning is presented, capable of classifying anomalies through supervised learning. To predict sensory values, LSTM and GRU neural networks were used. The research carried out allowed us to conclude that the Extra Trees Classifier algo- rithm achieved the best performance in the classification model, with 0.7974 F-Score in the test set. For sensor prediction, it was concluded that GRU neural networks are more effective in most tests. However, the best result for the load variable was an error of 4.07% using the LSTM network and for the velocity variable an error of 12.74% using the GRU network. The implementation and results of this thesis show a significant contribution to the pre- dictive maintenance of screw conveyors, which belong to a class of equipment that has not received much attention of the research community, and other industrial machines with time records and anomaly records. | pt_PT |
| dc.description.abstract | A manutenção de equipamentos é um aspecto fundamental para maximizar a sua disponibilidade. Atualmente, muitos dos dados de funcionamento e monitorização de condições de máquinas industriais são recolhidos por meio de sensores e guardados para análises. O presente trabalho tem como foco a análise de dados de um transportador sem-fim de uma indústria de biomassa. A velocidade e a carga do sem-fim foram monitorizados e analisados, a fim de detetar e prever possíveis falhas.O objetivo desta tese é desenvolver uma abordagem de aprendizagem máquina para classificar anomalias de um transportador sem-fim e prever os seus valores sensoriais futuros. É apresentada uma abordagem baseada em aprendizagem de máquina, capaz de classificar anomalias através de aprendizagem supervisionada. Para prever os valores sensoriais, foram utilizadas redes neurais LSTM e GRU. A pesquisa realizada permitiu concluir que o algoritmo Extra Trees Classifier obteve o melhor desempenho no modelo de classificação, com 0,9911% F-Score. Para a previsão de sensores, concluiu-se que as redes neuronais GRU são mais eficazes na maioria dos testes. No entanto, o melhor resultado para a variável carga foi obtida um erro de 4.07 % através da rede LSTM e para a variável velocidade um erro de 12,74 % com a rede GRU. A implementação e os resultados desta tese mostram uma contribuição significativa para a manutenção preditiva de transportadores sem-fim e para outras máquinas industriais que possuam registos temporais e registos de anomalias. | pt_PT |
| dc.identifier.tid | 203613260 | pt_PT |
| dc.identifier.uri | http://hdl.handle.net/10400.26/51917 | |
| dc.language.iso | eng | pt_PT |
| dc.subject | Aprendizagem Máquina | pt_PT |
| dc.subject | Equipamentos Industriais | pt_PT |
| dc.subject | Manutenção Preditiva | pt_PT |
| dc.subject | Previsão | pt_PT |
| dc.subject | Redes recorrentes | pt_PT |
| dc.subject | Sem-Fim | pt_PT |
| dc.title | Fault detection and prediction for a wood chip screw conveyor | pt_PT |
| dc.type | master thesis | |
| dspace.entity.type | Publication | |
| rcaap.rights | openAccess | pt_PT |
| rcaap.type | masterThesis | pt_PT |