Ferramentas de manutenção preditiva de motores diesel: uma revisão bibliográfica sistemática

Autores

DOI:

https://doi.org/10.33448/rsd-v9i11.10195

Palavras-chave:

Manutenção Preditiva; Motores diesel; Revisão bibliográfica sistemática.

Resumo

O setor de manutenção de frota representa grande parte dos custos nas propriedades agroindustriais e toda a inovação e tecnologia empregada na redução destes custos impacta diretamente no preço final do produto. Diante desse contexto, o objetivo desse artigo é identificar como está configurado o estado do conhecimento sobre as ferramentas de manutenção preditiva para motores diesel. Para atender o objetivo, foi utilizada uma revisão bibliográfica sistemática, composta por três fases: Entrada, Processamento e Saída. Foi possível identificar um avanço nas produções científicas relacionadas as ferramentas de manutenção preditiva, o que reforça a sua importância.  Ao analisar os documentos na íntegra, foi possível categorizar os documentos por aplicabilidade, sendo: Industrial; Motores Diesel; Motores Diesel 2T; Motores Diesel de Tratores Agrícolas; Motores e equipamentos Mecânicos; Ônibus e Transporte de Passageiros; Mineração e Marítima.  Pôde-se, ainda, concluir que os setores que mais pesquisam e desenvolvem ferramentas de manutenção preditiva para motores são o industrial e o marítimo. Dos 41 documentos analisados nesta pesquisa, oito são capítulos de livros, o que demonstra que a análise de tal formato documental é relevante à temática aqui abordada.  Da mesma forma, pesquisas sobre a manutenção preditiva vem ganhando importância nos últimos anos, o que nos leva a acreditar que também deve caminhar em direção ao setor agrícola.

Biografia do Autor

Evelim Larissa Rombi De Aquino , Universidade Estadual Paulista "Júlio de Mesquita Filho"

Mestranda do Programa de Pós-graduação em Agronegócio e Desenvolvimento (PGAD) da Faculdade de Ciências e Engenharia da Universidade Estadual Paulista "Júlio de Mesquita Filho" - UNESP unidade de Tupã/SP.

 

Mario Mollo Neto, Universidade Estadual Paulista “Júlio de Mesquita Filho”

Prof. Dr. Mario Mollo Neto, Bolsista CNPq - DT-II Processo: 313339/2019-8 - Produtividade em Desenvolvimento Tecnológico e Extensão Inovadora, Livre-docente em Circuitos Digitais pela Universidade Estadual Paulista "Júlio de Mesquita Filho" UNESP; (2019). Possui Pós Doutorado em Engenharia de Biossistemas na área de Construções Rurais e Ambiência, pela Universidade de Estadual de Campinas (2009), Doutorado em Engenharia Agrícola (Conceito CAPES 5) na área de Construções Rurais e Ambiência pela Universidade de Estadual de Campinas (2007), Mestrado em Engenharia de Produção (Conceito CAPES 5) pela Universidade Paulista UNIP (2004), e graduação em Engenharia Industrial Modalidade Eletrotécnica pela Universidade São Judas Tadeu (USJT) (1987). Atualmente é Professor associado do Curso de Engenharia de Biossistemas da Faculdade de Ciências e Engenharia (FCE) da Universidade Estadual Paulista - UNESP em TUPÃ.

Departamento de Engenharia de Biossistemas.

Cristiane Hengler Corrêa Bernardo, Universidade Estadual Paulista "Júlio de Mesquita Filho"

Possui Doutorado em Educação pela UFMS (2010); Mestrado em Comunicação Midiática pela UNESP (2002); Especialização em Comunicação e Marketing e Graduação em Comunicação Social com Habilitação em Jornalismo pela Pontifícia Universidade Católica de Campinas (1990). É livre docente em Comunicação Empresarial pela UNESP (2018). Foi Coordenadora do Curso de Administração e atualmente é Professora Associada da UNESP - Faculdade de Ciências e Engenharia. Ministra as disciplinas de Comunicação Empresarial e Trabalho Interdisciplinar Orientado IV e V para o Curso de Administração e Construção do Conhecimento Interdisciplinar, Metodologia da Pesquisa e Comunicação, Redes e Cultura para o Mestrado Interdisciplinar em Agronegócio e Desenvolvimento (PGAD). Desenvolve projeto de pesquisa na área de Comunicação Rural, Responsabilidade Socioambiental e Educação e Trabalho. É membro dos seguintes grupos de pesquisa: CEPEAGRO e Pesquisa em Gestão e Educação Ambiental (PGEA). Atuou no Grupo Estácio Participações como Diretora Acadêmica da Faculdade Estácio de Sá de Campo Grande e Coordenadora do Curso de Jornalismo (de 2004 a 2006) e como Diretora Executiva e Diretora Geral da Faculdade Integrada do Recife ( 2006 A 2008).

Flávio José de Oliveira Morais, Universidade Estadual Paulista "Júlio de Mesquita Filho"

Bacharel em Engenharia da Computação com ênfase em automação Industrial pela Pontifícia Universidade Católica de Goiás (2009). Mestrado em Engenharia Elétrica pela Universidade Estadual de Campinas (2011) e Doutorado (2015) realizados no Departamento de Semicondutores, Instrumentos e Fotônica (DSIF) da Faculdade de Engenharia Elétrica e de Computação (FEEC) da Universidade Estadual de Campinas. Atualmente é professor da UNESP onde leciona as disciplinas de Microcontroladores, Sistemas Microprocessados e Dispositivos e Circuitos Eletrônicos. Também realiza pesquisas como colaborador do Departamento de Semicondutores, Instrumentos e Fotônica - DSIF da UNICAMP na área de Instrumentação Eletrônica, Redes de Sensores Sem Fio e Sistemas Embarcados. Tem experiência na área de Engenharia Elétrica e Computação, com ênfase em Instrumentação Eletrônica, atuando principalmente nos seguintes temas: circuitos eletrônicos analógicos e digitais, redes de sensores sem fio, circuitos e componentes para Energy Harvesting e instrumentação eletrônica para sistemas embarcados.

Paulo Sérgio Barbosa dos Santos, Universidade Estadual Paulista "Júlio de Mesquita Filho"

Graduado em Engenharia Mecatrônica pelo UniSALESIANO de Araçatuba-SP (2010), Mestrado em Engenharia Mecânica pela Universidade Estadual Paulista-UNESP (2013) como bolsista CNPq (Conselho Nacional de Desenvolvimento Científico e Tecnológico), Doutorado em Engenharia Mecânica pela UNESP (2017). Atua como Professor Assistente Doutor no Curso de Engenharia de Biossistemas da UNESP, Campus de Tupã - SP e Editor Adjunto na Revista Revista Brasileira de Engenharia de Biossistemas (BIOENG).

Referências

Abdul-Munaim, A. M., Reuter, M., Abdulmunem, O. M., Balzer, J. C., Koch, M. & Watson, D. G. (2016). Using terahertz time-domain spectroscopy to discriminate among water contamination levels in diesel engine oil. Transactions of the ASABE. American Society of Agricultural and Biological Engineers, St. Joseph, Michigan. 59 (3) 795-801. doi.org/10.13031/trans.59.11448.801.

Alvarez, I. & Huet, S. (2008). Automatic diagnosis of engine of agricultural tractors: The BED experiment. Biosystems Engineering, 100 (1) 362-369. doi.org/10.1016/j.biosystemseng.2008.04.003.

Bin, Z., Jun, Y. & Cheng, T. (2008). Study on fault diagnosis system of diesel engine fuel injection system based on BP neural network. International Colloquium on Computing, Communication, Control, and Management, CCCM 2008, (2) 108-112. doi.org/10.1109/CCCM.2008.33.

Biolchini, J. C. A., Mian, P. G., Natali, A. C. C., Conte, T. U. & Travassos, G. H. (2007). Scientific research ontology to support systematic review in software engineering. Advanced Engineering Informatics, 21(2) 133-151. doi.org/10.1016/j.aei.2006.11.006.

Bloch, H. P. & Geitner, F. K. (1999). Chapter 7 - Statistical Approaches in Machinery Problem Solving. In: Practical Machinery Management for Process Plants. Gulf Professional Publishing, 2 (1) 477-522. doi.org/10.1016/S18746942(99)80009-1.

Boullosa-Falces, D., Barrena, J. L. L., Lopez-Arraiza, A., Menendez, J. & Solaetxe, M. A. G. (2017). Monitoring of fuel oil process of marine diesel engine. Applied Thermal Engineering, 127 (1) 517-526. doi.org/10.1016/j.applthermale.2017.08.036

Conforto, E. C., Amaral, D. C. & Silva, S. L. (2011). Roteiro para revisão bibliográfica sistemática: aplicação no desenvolvimento de produtos e gerenciamento de projeto. VIII Congresso Brasileiro de Gestão de Desenvolvimento de Produto. Porto Alegre/RS.

Cruz-Peragón, F., Palomar, J.M., Díaz, F.A. & Jiménez-Espadafor, F.J. (2009). Practical identification of non-linear characteristics of elastomeric couplings in engine assemblies. Mechanical Systems and Signal Processing, 23 (1) 922-930. doi.org/10.1016/j.ymssp.2008.08.007.

Diez-olivan, A., Pagan, J. A., Sanz, R. & Sierra, B. (2017). Data-driven prognostics using a combination of constrained K-means clustering, fuzzy modeling and LOF based score. Neurocomputing, 241(1) 97-107. doi.or/10.1016/j.neucom.02.024.

Engineered Machined Products Inc. (2000). A breakthrough in vehicle cooling system pumps design. World Pumps, 2000 (1) 42-44. doi.org/10.1016/S0262-1762(00)88913-0.

García, M.O., Ordóñez, C.G. & Torregrosa, A.J. (2016). Noise analysis in the design and construction of a semianechoic chamber for the diagnosis of internal combustion engines. Informacion Tecnologica, 27(1) 121-132. doi.org/10.4067/S071807642016000500014.

Geitner, F. K. & Bloch, H. P. (2006). Chapter 4 - Estimating machinery uptime. In: Practical Machinery Management for Process Plants. Gulf Professional Publishing, 5(1) 45-77.

Girdhar, P.& Scheffer, C. (2004). Chapter 1 - Predictive maintenance techniques: Part 1 predictive maintenance basics. In: Practical Machinery Vibration Analysis and Predictive Maintenance. Newnes, 1-10.

Gomes, H.M. & Silva, N.R.S. (2008). Some comparisons for damage detection on structures using genetic algorithms and modal sensitivity method. Applied Mathematical Modelling, 32(1) 2216-2232. doi.org/10.1016/j.apm.2007.07.002.

Goodman, D. Sorj, B. & Wilkinson, J. (2008). Da lavoura às biotecnologias: agricultura e indústria no sistema internacional. Rio de Janeiro: Centro Edelstein de Pesquisas Sociais. A apropriação industrial do processo de produção rural. 6-49. ISBN: 978-85-9966-229-8.

Huang, M., Liu, Z. & Tao, Y. (2019). Mechanical fault diagnosis and prediction in IoT based on multi-source sensing data fusion. Simulation Modelling Practice and Theory. doi.org/10.1016/j.simpat.2019.101981.

Isa, M.C., Yusoff, N.H.N., Nain, H., Yati, M. S. D., Muhammad, M.M.& Nor, I. M. (2013). Ferrographic Analysis of Wear Particles of Various Machinery Systems of a Commercial Marine Ship. Procedia Engineering, 68(1) 345-351. doi.org/10.1016/j.proeng.2013.12.190.

Jacto. (2020). Entenda a mecanização da agricultura e conheça 4 vantagens. Sitio eletrônico. Recuperado de https://blog.jacto.com.br/entenda-a-mecanizacao-da-agricultura-e-conheca-4-vantagens/

Kardec, A. & Nascif J. (2009). Manutenção: função estratégica. 3.ed. Rio de Janeiro: Qualitymark: Petrobrás.

Köche, J. C. (2011). Fundamentos de metodologia científica: teoria da ciência e iniciação à pesquisa. Petrópolis, RJ: Vozes.

Kumar, A. & Ghosh, S. K. (2019). Size distribution analysis of wear debris generated in HEMM engine oil for reliability assessment: A statistical approach. Measurement, 131(1) 412-418. doi.org/10.1016/j.measurement.2018.09.012.

Kumar, A., Shankar, R. & Thakur, L. S. (2018). A big data driven sustainable manufacturing framework for condition-based maintenance prediction. Journal of Computational Science, 27(1) 428-439. doi.org/10.1016/j.jocs.2017.06.006.

Lazakis, I., Raptodimos, Y. & Varelas, T. (2018). Predicting ship machinery system condition through analytical reliability tools and artificial neural networks. Ocean Engineering, 152(1) p. 404-415. doi.org/10.1016/j.oceaneng.2017.11.017.

Lazakis, I., Dikis, K., Michala, A. L.& Theotokatos, G. (2016). Advanced Ship Systems Condition Monitoring for Enhanced Inspection, Maintenance and Decision Making in Ship Operations. Transportation Research Procedia, 14(1) 1679-1688. doi.org/10.1016/j.trpro.2016.05.133.

Lazzerini, F. T. & Bonotto, D. M. (2014). O silício em águas subterrâneas do Brasil.

Ciência e Natura, 36(2) 159–168. doi.org/10.5902/2179460X13135.

Lee, J., Kao, H. & Yang, S. (2014). Service Innovation and Smart Analytics for Industry 4.0 and Big Data Environment. Procedia CIRP, 16(1), p. 3-8. doi.org/10.1016/j.procir.2014.02.001.

Li, Z., Jiang, Y., Duan, Z. & Peng, Z. (2018). A new swarm intelligence optimized multiclass multi-kernel relevant vector machine: An experimental analysis in failure diagnostics of diesel. Structural Health Monitoring, 17(1) 1503-1519. doi.org/10.1177/1475921717746735.

Ludke, M. & Andre, M. E . D. A. (2013). Pesquisas em educação: uma abordagem qualitativa. São Paulo: E.P.U. F.

Macian, V., Payri, R., Tormos, B. & Montoro, L. (2006). Applying analytical ferrography as a technique to detect failures in Diesel engine fuel injection systems. Wear. 260(1) 562-566. doi.org/10.1016/j.wear.2005.03.019.

Magro, T. V. & Cavichioli, F. A. (2018). Uso de implementos agrícolas: vantagens e desvantagens. SIMTEC. Simpósio de Tecnologia da Fatec de Taquaritinga. 4(1)1-13.

Marion, C. (2014). Mecanização agrícola transforma perfil do gestor. Revista Máquinas Agrícolas & Inovações.

Mobley, R. K. (2001). 43 - Vibration Fundamentals. In: Plant Engineer's Handbook. Butterworth-Heinemann. doi.org/10.1016/B978-075067328-0/50045-8.

Mobley, R. K. (1999). Chapter 2 - Vibration Analysis Applications. In: Vibration

Fundamentals. Newnes, 3-5. doi.org/10.1016/B978-075067150-7/50038-0.

Mobley, R. K. (2002). 9 – Tribology: An Introduction to Predictive Maintenance. In: Plant Engineering, Butterworth-Heinemann, 2. ed. doi.org/10.1016/B978075067531-4/50009-9.

Moore, R. (2007). 13 - Predictive maintenance/ condition monitoring. In: Selecting the Right Manufacturing Improvement Tools. Butterworth-Heinemann. doi.org/10.1016/B978-075067916-9/50014-X.

Nahim, H. M., Younes, R., Shraim, H. & Ouladsine, M. (2016). Modeling with Fault Integration of the Cooling and the Lubricating Systems in Marine Diesel Engine:

Experimental validation. IFAC, 49(1) 570-575. doi.org/10.1016/j.ifacol.2016.08.083.

Nasiri, A., Taheri-Garavand, A., Omid, M. & Carlomagno, G. M. (2019). Intelligent fault diagnosis of cooling radiator based on deep learning analysis of infrared thermal images, Applied Thermal Engineering, 163(1). doi.org/10.1016/j.applthermaleng.2019.114410.

Nixon, S., Weichel, R., Reichard, K. & Kozlowski, J. (2018). A machine learning approach to diesel engine health prognostics using engine controller data. Proceedings of the Annual Conference of the Prognostics and Health Management Society.

Olver, A.V. (2002). Gear lubrication – a review. Journal of Engineering Tribology. 216(1) 255-267. doi.org/10.1243/135065002760364804.

Oliveira; F. C. M., Lago, D. M., Oliveira Filho, M. F. & Medeiros, J. T. N. M. (2018). A new stochastic model for particulate matter and debris emitted by diesel engines. 6th International Conference Integrity-Reliability-Failure Lisbon/Portugal.

Pacheco, E.P. (2000). Seleção e custo operacional de máquinas agrícolas. Rio Branco: Embrapa Acre, (Embrapa Acre. Documentos, 58).

Patocka, F., Schlögl, M., Schneidhofer, C.; Dörr, N., Schneider, M. & Schmid, U. (2019). Piezoelectrically excited MEMS sensor with integrated planar coil for the detection of ferrous particles in liquids. Sensors and Actuators B: Chemical, 299(1) 126957. doi.org/10.1016/j.snb.2019.126957.

Pereira, A. S., Shitsuka, D. M., Parreira, F. J. & Shitsuka, R. (2018). Metodologia da pesquisa científica. Santa Maria, RS: UFSM, NTE.

Raposo, H.; Farinha, J.T.; Fonseca, I.; Ferreira, L.A. (2019). Condition monitoring with prediction based on diesel engine oil analysis: A case study for urban buses. MDPI, v.8, doi.org/10.3390/act8010014.

Raposo, H., Farinha, J. T. & Fonseca, I.; Galar, D. (2019). Predicting condition based on oil analysis – A case study. Tribology International, 135(1) 65-74. doi.org/10.1016/j.triboint.2019.01.041.

Rubio, J. A. P., Vera-García, F. Grau, J. H., Cámara, J. M. & Hernandez, D. A. (2018). Marine diesel engine failure simulator based on thermodynamic model. Applied Thermal Engineering, 144(1) 982-995. doi.org/10.1016/j.applthermaleng.2018.08.096.

Sampaio, R. F. & Mancini, M. C. (2007). Estudos de revisão sistemática: um guia para síntese criteriosa da evidência científica. Revista Brasileira de Fisioterapia, São Carlos, 11(1) 83-89.

Santos, E. A., Soares, H. S., Silva, M. R., Rocha, T. A. F. & Fernandes, T. J. L. (2014). Uso correto dos óleos lubrificantes para máquinas agrícolas. Revista Cultivar Máquinas. Ed. 143.

Senar – Serviço Nacional de Aprendizagem Rural. (2009). Tratores Agrícolas: manutenção de tratores agrícolas. Coleção SENAR 130. Serviço Nacional de Aprendizagem Rural. Brasília: SENAR.

Sidahmed, M. (2001). Diagnostics and condition monitoring, basic concepts.

Encyclopedia of Vibration, Elsevier. doi.org/10.1006/rwvb.2001.0147.

Silveira, G. M. (2001). Os cuidados com o trator. Série Mecanização. Viçosa: Aprenda Fácil.

Simões, A., Viegas, J.M., Farinha, J.T. & Fonseca, I.(2017). The State of the Art of Hidden Markov Models for Predictive Maintenance of Diesel Engines. Quality and Reliability Engineering International, 33(1) 2765-2779. doi.org/10.1002/qre.2130.

Sitnik, L., Pentós, K., Magdziak-Toklowicz, M. & Wrobel, R. (20150. The Laser Doppler Vibrometry in mechatronics diagnostics. Archives of Civil and Mechanical Engineering, 15(1) 962-970. doi.org/10.1016/j.acme.2015.04.001.

Snook, W. A. (1968). Análise de óleos usados de motores. Lubrificação, 54(9) 97-116.

Syan, C. S. & Ramsoobag, G. (2019). Maintenance applications of multi-criteria optimization: A review. Reliability Engineering & System Safety, 190(1). doi.org/10.1016/j.ress.2019.106520.

Taheri-Garavand, A., Ahmadi, H., Omid, M., Mohtasebi, S. S., Mollazade, K., Smith, A. J. R. & Carlomagno, G. M. (2015). An intelligent approach for cooling radiator fault diagnosis based on infrared thermal image processing technique. Applied Thermal Engineering, 87(1) 434-443. doi.org/10.1016/j.applthermaleng.2015.05.038.

Vian, C. E. F., Andrade JR, A. M., Baricelo, G. & Silva, R. P. (2013). Origens, evolução e tendências da indústria de máquinas agrícolas. Rev. Econ. Sociol. Rural. 51(4) 719-744. Brasília. doi.org/10.1590/S0103-20032013000400006.

Villanueva, J. A. B., Espadafor, F. J., Cruz-Peragon, F. & Garcia, M. T. (2011). A methodology for cracks identification in large crankshafts. Mechanical Systems and Signal Processing. 25(8) 3168-3185. doi.org/10.1016/j.ymssp.2011.02.018.

Wang, J., Mao, X., Zhu, K., Song, J. & Zhuo, B. (2009). An intelligent diagnostic tool for electronically controlled diesel engine. Mechatronics, 19(1) 859-867. doi.org/10.1016/j.mechatronics.2009.04.009.

Wolak, A. (2018). TBN performance study on a test fleet in real-world driving conditions using present-day engine oils. Measurement, 114(1) 322-331. doi.org/10.1016/j.measurement.2017.09.044.

Downloads

Publicado

27/11/2020

Como Citar

AQUINO , E. L. R. D. .; MOLLO NETO, M. .; BERNARDO, C. H. C. .; MORAIS, F. J. de O. .; SANTOS, P. S. B. dos . Ferramentas de manutenção preditiva de motores diesel: uma revisão bibliográfica sistemática . Research, Society and Development, [S. l.], v. 9, n. 11, p. e57691110195, 2020. DOI: 10.33448/rsd-v9i11.10195. Disponível em: https://rsdjournal.org/index.php/rsd/article/view/10195. Acesso em: 6 jul. 2024.

Edição

v. 9 n. 11

Seção

Artigos de Revisão

Licença

Copyright (c) 2020 Evelim Larissa Rombi De Aquino ; Mario Mollo Neto; Cristiane Hengler Corrêa Bernardo; Flávio José de Oliveira Morais; Paulo Sérgio Barbosa dos Santos

Creative Commons License
Este trabalho está licenciado sob uma licença Creative Commons Attribution 4.0 International License.

Autores que publicam nesta revista concordam com os seguintes termos:

1) Autores mantém os direitos autorais e concedem à revista o direito de primeira publicação, com o trabalho simultaneamente licenciado sob a Licença Creative Commons Attribution que permite o compartilhamento do trabalho com reconhecimento da autoria e publicação inicial nesta revista.

2) Autores têm autorização para assumir contratos adicionais separadamente, para distribuição não-exclusiva da versão do trabalho publicada nesta revista (ex.: publicar em repositório institucional ou como capítulo de livro), com reconhecimento de autoria e publicação inicial nesta revista.

3) Autores têm permissão e são estimulados a publicar e distribuir seu trabalho online (ex.: em repositórios institucionais ou na sua página pessoal) a qualquer ponto antes ou durante o processo editorial, já que isso pode gerar alterações produtivas, bem como aumentar o impacto e a citação do trabalho publicado.