English (United Kingdom)

https://curated-unify.zendy.io/wp-json/zendy-region/v1/featured_content/oa?rat=en

https://curated-unify.zendy.io/wp-json/zendy-region/v1/highlighted_journal/

Global: Zendy Plus annual

Presents the access of premium content as premium feature

Premium Content

Presents the keyphrase highlighting as premium feature

Keyphrase Highlighting

Presents the summarisation as premium feature

Summarisation

Insights

Presents the pdf analysis as premium feature

PDF Analysis

Presents the zaia usage as premium feature

ZAIA

Global: Zendy Tools annual

Global: Zendy Free Plan

Global: Zendy Tools monthly

Global: Zendy Plus monthly

Os motores de indução são utilizados em diversas aplicações industriais devido à sua alta eficiência. Além disso, o custo por interrupção de operação não plenejada dessas máquinas costuma ser elevado. Por essa razão, há um interesse da indústria e da comunidade cientı́fica em desenvolver soluções para detectar antecipadamente falhas nesses motores. Muitos métodos de detecção de padrões têm sido propostos a partir de diferentes sinais extraı́dos do motor e usando diferentes combinações de extratores de caracterı́sticas com algoritmos de classificação; alguns com elevado sucesso, como a combinação GLCM (GrayLevel Co-occurrence Matrix) e SVM (Support vector machine). Este trabalho propõe uma abordagem nova para utilização do GLCM em sinais no tempo, mas evitando a criação de uma imagem intermediária para representação do sinal de entrada. A técnica proposta é avaliada em estação de trabalho e em plataforma embarcada, com resultados de taxa de acerto, tempo de computação e uso de memória. Palavras-chave—GLCM, Motores de indução, aprendizado de maquina, Sistemas embarcados, extrator de caracteristica.

Um novo extrator de características para aplicações embarcadas de detecção de falhas em motores elétricos