{"id":{"repo_id":"brazil-uff","oai_identifier":"oai:app.uff.br:1/36509"},"canonical_url":"https://search.dev.ndltd.org/etd/brazil-uff/oai:app.uff.br:1/36509","repository":{"repo_id":"brazil-uff","name":"Brazil UFF","base_url":"https://app.uff.br/oai/request"},"display":{"title":"Análise da vida residual e manutenção em compressor de alta pressão de uma turbina de uso aeronáutico","abstract":"Os avanços no campo da engenharia e tecnologia possibilitaram a ascensão da abordagem de manutenção preditiva dentro das empresas. A manutenção preditiva difere de abordagens anteriores pois possibilita planos de ação antes da ocorrência das falhas, contribuindo para a gestão de manutenção. A gestão de motores aeronáuticos desempenha um papel central na segurança operacional, eficiência econômica e experiência dos passageiros. O presente trabalho analisou o uso de algoritmos de machine learning na predição de vida útil restante (RUL) de compressores de alta pressão em motores turbofan, utilizando dados simulados que refletem condições reais de operação. O estudo conduzido foi capaz de validar a eficácia da abordagem de predição de vida útil restante no conjunto de dados do CMAPSS Jet Engine Simulated Data. De forma complementar, a análise de importância de variáveis ajudou a destacar e entalpia de ar sangrado como variável crítica do problema, enquanto o K-Means foi essencial para identificar limiares que direcionam ações preventivas e corretivas. Por fim, este estudo foi capaz de demonstrar como a integração de técnicas de machine learning na manutenção preditiva podem ter impacto positivo no setor aeronáutico.","abstract_html":"Os avanços no campo da engenharia e tecnologia possibilitaram a ascensão da abordagem de manutenção preditiva dentro das empresas. A manutenção preditiva difere de abordagens anteriores pois possibilita planos de ação antes da ocorrência das falhas, contribuindo para a gestão de manutenção. A gestão de motores aeronáuticos desempenha um papel central na segurança operacional, eficiência econômica e experiência dos passageiros. O presente trabalho analisou o uso de algoritmos de machine learning na predição de vida útil restante (RUL) de compressores de alta pressão em motores turbofan, utilizando dados simulados que refletem condições reais de operação. O estudo conduzido foi capaz de validar a eficácia da abordagem de predição de vida útil restante no conjunto de dados do CMAPSS Jet Engine Simulated Data. De forma complementar, a análise de importância de variáveis ajudou a destacar e entalpia de ar sangrado como variável crítica do problema, enquanto o K-Means foi essencial para identificar limiares que direcionam ações preventivas e corretivas. Por fim, este estudo foi capaz de demonstrar como a integração de técnicas de machine learning na manutenção preditiva podem ter impacto positivo no setor aeronáutico.","abstract_has_math":false,"creators":["Ribeiro, Carlos Felipe Silva"],"institution":null,"degree_name":null,"degree_level":null,"degree_discipline":null,"degree_department":null,"school":null,"contributors":[],"advisors":[],"committee_chairs":[],"committee_members":[],"year":null,"date_issued":"","date_published":null,"updated_at":"2026-07-27T19:00:28Z","subjects":[],"languages":["pt_BR"],"rights":["Open Access"],"rights_urls":[],"identifier_entries":[]},"links":{"outbound_url":"https://app.uff.br/riuff/handle/1/36509","outbound_label":"Repository record","outbound_source":"dc:identifier.uri"},"metadata_groups":[{"id":"people","label":"People","entries":[{"key":"dc:creator","label":"Author","values":["Ribeiro, Carlos Felipe Silva"]}]},{"id":"academic_context","label":"Academic Context","entries":[{"key":"dc:date.accessioned","label":"Dc Date Accessioned","values":["2025-02-12T18:20:33Z"]},{"key":"dc:date.available","label":"Dc Date Available","values":["2025-02-12T18:20:33Z"]},{"key":"dc:type","label":"Dc Type","values":["Trabalho de conclusão de curso"]}]},{"id":"language_rights","label":"Language and Rights","entries":[{"key":"dc:language.iso","label":"Language (ISO)","values":["pt_BR"]},{"key":"dc:rights","label":"Dc Rights","values":["Open Access"]}]},{"id":"identifiers","label":"Identifiers","entries":[{"key":"dc:identifier.uri","label":"Identifier URI","values":["https://app.uff.br/riuff/handle/1/36509"]}]},{"id":"additional","label":"Additional Metadata","entries":[{"key":"dc:description.abstract","label":"Abstract","values":["Os avanços no campo da engenharia e tecnologia possibilitaram a ascensão da abordagem de manutenção preditiva dentro das empresas. A manutenção preditiva difere de abordagens anteriores pois possibilita planos de ação antes da ocorrência das falhas, contribuindo para a gestão de manutenção. A gestão de motores aeronáuticos desempenha um papel central na segurança operacional, eficiência econômica e experiência dos passageiros. O presente trabalho analisou o uso de algoritmos de machine learning na predição de vida útil restante (RUL) de compressores de alta pressão em motores turbofan, utilizando dados simulados que refletem condições reais de operação. O estudo conduzido foi capaz de validar a eficácia da abordagem de predição de vida útil restante no conjunto de dados do CMAPSS Jet Engine Simulated Data. De forma complementar, a análise de importância de variáveis ajudou a destacar e entalpia de ar sangrado como variável crítica do problema, enquanto o K-Means foi essencial para identificar limiares que direcionam ações preventivas e corretivas. Por fim, este estudo foi capaz de demonstrar como a integração de técnicas de machine learning na manutenção preditiva podem ter impacto positivo no setor aeronáutico."]},{"key":"dc:title","label":"Title","values":["Análise da vida residual e manutenção em compressor de alta pressão de uma turbina de uso aeronáutico"]}]}],"canonical_facts":{"dc:creator":["Ribeiro, Carlos Felipe Silva"],"dc:date.accessioned":["2025-02-12T18:20:33Z"],"dc:date.available":["2025-02-12T18:20:33Z"],"dc:description.abstract":["Os avanços no campo da engenharia e tecnologia possibilitaram a ascensão da abordagem de manutenção preditiva dentro das empresas. A manutenção preditiva difere de abordagens anteriores pois possibilita planos de ação antes da ocorrência das falhas, contribuindo para a gestão de manutenção. A gestão de motores aeronáuticos desempenha um papel central na segurança operacional, eficiência econômica e experiência dos passageiros. O presente trabalho analisou o uso de algoritmos de machine learning na predição de vida útil restante (RUL) de compressores de alta pressão em motores turbofan, utilizando dados simulados que refletem condições reais de operação. O estudo conduzido foi capaz de validar a eficácia da abordagem de predição de vida útil restante no conjunto de dados do CMAPSS Jet Engine Simulated Data. De forma complementar, a análise de importância de variáveis ajudou a destacar e entalpia de ar sangrado como variável crítica do problema, enquanto o K-Means foi essencial para identificar limiares que direcionam ações preventivas e corretivas. Por fim, este estudo foi capaz de demonstrar como a integração de técnicas de machine learning na manutenção preditiva podem ter impacto positivo no setor aeronáutico."],"dc:identifier.uri":["https://app.uff.br/riuff/handle/1/36509"],"dc:language.iso":["pt_BR"],"dc:rights":["Open Access"],"dc:title":["Análise da vida residual e manutenção em compressor de alta pressão de uma turbina de uso aeronáutico"],"dc:type":["Trabalho de conclusão de curso"]},"updated_at":"2026-07-27T19:00:28Z"}