Ferramentas de manutenção preditiva de motores diesel: uma revisão bibliográfica sistemática
DOI:
https://doi.org/10.33448/rsd-v9i11.10195Palavras-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.
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
Como Citar
Edição
Seção
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](http://i.creativecommons.org/l/by/4.0/88x31.png)
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.