Please use this identifier to cite or link to this item: http://repositorio.unicamp.br/jspui/handle/REPOSIP/352840
Type: TESE DIGITAL
Degree Level: Doutorado
Title: Estimação e quantificação de incertezas aplicados em modelos de falhas de máquinas rotativas
Title Alternative: Uncertanty quantification and estimation applied in faults models of rotor machines
Author: Garoli, Gabriel Yuji, 1992-
Advisor: Castro, Hélio Fiori de, 1977-
Abstract: Resumo: Máquinas rotativas são, geralmente, equipamentos caros, complexos e muito utilizados em diversas indústrias. A modelagem de tais máquinas é essencial e, mesmo sendo um tema estudado a mais de um século, está em constante desenvolvimento. No entanto, comportamento dinâmico dessas máquinas possuem uma característica estocástica, a qual pode ser inserida em seus modelos matemáticos, considerando alguns parâmetros incertos. O processo de identificação e quantificação de incertezas em máquinas rotativas é mais recente e não tão consolidado como a abordagem de modelagem e identificação determinística. Geralmente, métodos de amostragem, como simulação de Monte Carlo, são utilizados para o cálculo da resposta estocástica, pois permitem a utilização de algoritmos desenvolvidos para o problema determinístico. A convergência desses métodos é garantida por muitas amostras, o que é negativo no caso de máquinas rotativas que possuem modelos numéricos complexos e que demandam um elevado tempo de processamento. Este trabalho propõe, como alternativa, a utilização da Expansão de Caos Polinomial para aproximar a resposta estocástica. Para problemas com poucas variáveis aleatórias, os quais são tratados neste trabalho, o método de Colocação Estocástica pode ser utilizado para estimar os coeficientes da expansão, o qual permite a utilização de algoritmos do problema determinístico, além de utilizar menos amostras que os métodos de Monte Carlo. Após a estimação dos coeficientes, informações estatísticas do processo podem ser facilmente calculadas, também. Além disto, é possível realizar uma análise de sensibilidade, que permite avaliar como as incertezas das entradas afetam as incertezas das saídas e quais possuem maior influência. A Expansão Polinomial do Caos generalizado, por outro lado, também pode ser utilizada na Inferência Bayesiana, para a identificação de parâmetros do modelo em máquinas rotativas, como um método genérico, precisando apenas dos modelos do sistema de interesse. Neste trabalho estuda-se o uso da Expansão Polinomial do Caos generalizado para aproximar a resposta estocástica de máquinas rotativas em diversas análises relevantes à dinâmica de rotores. Nos casos com incertezas nos parâmetros de mancais, foram analisados coeficientes dinâmicos equivalentes, instabilidade fluido induzida e a sensibilidade da resposta do rotor e da instabilidade às incertezas dos mancais. Nos casos com incertezas nos parâmetros de falha, a resposta do sistema no domínio da frequência e do tempo foram analisadas e para cada uma, foi realizada uma análise de sensibilidade. A Inferência Bayesiana junto da expansão polinomial foi utilizada para a identificação de parâmetros de falhas e parâmetros de mancais magnéticos. Estes resultados foram comparados com métodos determinísticos e com a inferência resolvida pelo método de Monte Carlo via Cadeias de Markov. Além disso, as respostas com os parâmetros identificados foram comparadas com respostas experimentais

Abstract: Rotating machines are expensive and complex equipment used in a range of industries. Whose model is essential and, even with more than one century of study, it is at constant development. However, the dynamical behaviour of such machines can have a stochastic characteristic and should be added in the model as uncertain parameters. This process of identification and quantification of uncertainties in rotating machines is recent and is not so well established as the deterministic approach. Monte Carlo methods are usually used to calculate the stochastic response, because they are simple to implement and allow the use of algorithms that evaluate the deterministic solution. The convergence is guarantee by a large number of samples, which is a negative aspect for the case of rotating machines, which have complex models that need a large amount of processing time. This work proposes the use of the generalized Polynomial Chaos Expansion as an alternative to approximate the stochastic response. For problems with a small number of uncertain parameters, the Stochastic Collocation can be used. The method can be used to evaluate the expansion coefficients. A deterministic algorithm can be used, as in the Monte Carlo method, but a smaller number of samples is needed due to the polynomial approximation. After the evaluation of the expansion coefficients, statistical information can be calculated. A sensitivity analysis can be performed as well, which allows the analysis of the effect of the input uncertainties on the output uncertainties and to evaluate which ones have more influence. The generalized Polynomial Chaos Expansion can also be used in the Bayesian Inference. The expansion turns the equation of Bayes Theorem into a product between a polynomial series and known probability density functions. The inference is used to identify the fault parameters in rotating machines. This is a generic method, which needs only the rotor system of interest and fault models. In this work, the application of the generalized Polynomial Chaos Expansion to evaluate the stochastic response of rotating machines is studied. For the cases in which the bearing parameters uncertainties are assumed, the equivalent dynamic coefficients, the fluid induced instability and its sensitivity to the parameter uncertainties are analyzed. For the cases in which the fault parameters are assumed uncertain, the frequency and time response of rotor systems are considered, and its sensitivity to the fault parameters uncertainty is analyzed. The Bayesian Inference with the polynomial expansion is also used to identify the fault parameters and active magnetic bearing parameters. Results are compared to deterministic method results and the inference solved by the Monte Carlo via Markov Chain method results. With the identified parameters, responses are evaluated and compared with experimental data
Subject: Modelos estocásticos
Rotores - Dinâmica
Mancais
Falha de sistema (Engenharia)
Incerteza
Language: Português
Editor: [s.n.]
Citation: GAROLI, Gabriel Yuji. Estimação e quantificação de incertezas aplicados em modelos de falhas de máquinas rotativas . 2020. 1 recurso online ( 159 p.) Tese (doutorado) - Universidade Estadual de Campinas, Faculdade de Engenharia Mecânica, Campinas, SP.
Date Issue: 2020
Appears in Collections:FEM - Tese e Dissertação

Files in This Item:
File SizeFormat 
Garoli_GabrielYuji_D.pdf4.93 MBAdobe PDFView/Open


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