| Name: | Description: | Size: | Format: | |
|---|---|---|---|---|
| 10.08 MB | Adobe PDF |
Authors
Advisor(s)
Abstract(s)
The fourth industrial revolution aims to connect and digitalize industrial assets. In an industrial
environment, energy efficiency and machine health are important aspects of daily
life. Energy monitoring systems, used alongside sensory data gathered from machines
on the shop floor, can be powerful tools for monitoring the overall machine health. In
this work, a data acquisition and monitoring system was implemented in a cold molding
machine owned by Catraport, aiming to monitor electrical and vibrational data gathered
during the molding process. The sensing equipment used communicates over Wi-Fi and,
due to network problems and inconsistency, the factory’s computer network had to be
modified, allowing for a better connection. The collected data was stored into InfluxDB,
with timestamps for each measured input. With the collected data, five different dashboards
were created using Grafana, one giving an overall view of the measured parameters,
and the others containing more specific information of each parameter, namely current
intensity, power, power factor and vibration. From the real-time data, out of control condition testing is carried out using Nelson Rules, imposing that whenever a parameter triggers one or more of the implemented rules, an alarm is shown on the dashboard and an email is sent to the maintenance technician. From the collected data a Machine Learning algorithm, named EECP-CBL, was implemented aiming to predict the next 5 minutes of current intensity, the forecasts also generate alerts for the maintenance team.
A quarta revolução industrial tem como objetivo conectar e digitalizar ativos industriais. Em um ambiente industrial, a eficiência energética e a saúde das máquinas são aspectos importantes da vida cotidiana. Sistemas de monitoramento energético, utilizados juntamente com dados sensoriais coletados de máquinas no chão de fábrica, podem ser ferramentas poderosas para monitorar a saúde geral das máquinas. Neste trabalho, um sistema de aquisição e monitoramento de dados foi implementado em uma máquina de moldagem a frio de propriedade da Catraport, visando monitorar dados elétricos e vibracionais coletados durante o processo de moldagem. O equipamento de sensoriamento utilizado comunica-se através de Wi-Fi e, devido a problemas e inconsistências, a rede de TI da fábrica teve que ser modificada, para permitir uma conexão melhor. Os dados coletados foram armazenados no InfluxDB, com registros de tempo para cada entrada medida. Com os dados coletados, cinco painéis diferentes foram criados usando Grafana, um dando uma visão geral dos parâmetros medidos, e os outros contendo informações mais específicas de cada parâmetro, nomeadamente corrente, potência, fator de potência e vibração. A partir dos dados em tempo real, são realizados testes de valores fora de controle utilizando as Regras Nelson, implementando um sistema de alerta onde, se um parâmetro acionar uma ou mais das regras implementadas, um alarme é mostrado no painel e um e-mail é enviado ao técnico de manutenção. A partir dos dados coletados, foi implementado um algoritmo de aprendizado de máquina, chamado EECP-CBL, com o objetivo de prever os próximos 5 minutos de intensidade atual, as previsões também geram alertas para a equipe de manutenção.
A quarta revolução industrial tem como objetivo conectar e digitalizar ativos industriais. Em um ambiente industrial, a eficiência energética e a saúde das máquinas são aspectos importantes da vida cotidiana. Sistemas de monitoramento energético, utilizados juntamente com dados sensoriais coletados de máquinas no chão de fábrica, podem ser ferramentas poderosas para monitorar a saúde geral das máquinas. Neste trabalho, um sistema de aquisição e monitoramento de dados foi implementado em uma máquina de moldagem a frio de propriedade da Catraport, visando monitorar dados elétricos e vibracionais coletados durante o processo de moldagem. O equipamento de sensoriamento utilizado comunica-se através de Wi-Fi e, devido a problemas e inconsistências, a rede de TI da fábrica teve que ser modificada, para permitir uma conexão melhor. Os dados coletados foram armazenados no InfluxDB, com registros de tempo para cada entrada medida. Com os dados coletados, cinco painéis diferentes foram criados usando Grafana, um dando uma visão geral dos parâmetros medidos, e os outros contendo informações mais específicas de cada parâmetro, nomeadamente corrente, potência, fator de potência e vibração. A partir dos dados em tempo real, são realizados testes de valores fora de controle utilizando as Regras Nelson, implementando um sistema de alerta onde, se um parâmetro acionar uma ou mais das regras implementadas, um alarme é mostrado no painel e um e-mail é enviado ao técnico de manutenção. A partir dos dados coletados, foi implementado um algoritmo de aprendizado de máquina, chamado EECP-CBL, com o objetivo de prever os próximos 5 minutos de intensidade atual, as previsões também geram alertas para a equipe de manutenção.
Description
Mestrado de dupla diplomação com a UTFPR - Universidade Tecnológica Federal do Paraná
Keywords
Energy monitoring system Data acquisition IoT