Métodos de Ensemble aplicados à construção de modelos de diagnóstico de falhas em rolamentos de motores elétricos

• Ano de defesa: 2024
• Autor(a) principal: Oliveira, Marcos Rômulo de
• Orientador(a): Pinto, Luiz Alberto
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Serra
• Palavras-chave em Português: Automação; Rolamentos; Motores elétricos; Machine Learning; Ensemble
• Link de acesso: https://repositorio.ifes.edu.br/handle/123456789/5431

A predição de falhas em rolamentos de motores elétricos é fundamental para a manutenção preventiva e a melhoria da confiabilidade operacional desses sistemas. Neste estudo, realiza-se uma comparação entre três algoritmos de aprendizado de máquina, a saber: KNN (K-Nearest Neighbors), SVM (Support Vector Machine) e Árvore de Decisão, além de algoritmos de combinação de modelos da técnica Ensemble, como Bagging, Boosting e Stacking, no contexto da predição de falhas em rolamentos. O objetivo deste estudo é investigar a eficácia desses algoritmos na detecção e classificação de falhas em rolamentos, bem como comparar a performance dos mesmos quando aplicados a sinais de vibração e sinais de corrente elétrica como entrada. Neste trabalho é utilizado o dataset Padeborn, composto por sinais de vibração e corrente elétrica de motores elétricos. A metodologia adotada inicia-se com a etapa de pré-processamento dos sinais, em que são aplicadas técnicas de filtragem, normalização e extração de características utilizando a transformada Wavelet e descritores matemáticos. Em seguida, os sinais de entrada são utilizados para treinar e testar os modelos. Os resultados obtidos mostram que todos os algoritmos são capazes de identificar padrões e realizar a predição de falhas com uma acurácia significativa. No entanto, observa-se que o desempenho varia de acordo com o tipo de sinal de entrada, do classificador e seus parâmetros. Enquanto os sinais de vibração fornecem uma boa discriminação entre classes de falhas, os sinais de corrente elétrica apresentam vantagens em termos de processamento e facilidade de aquisição. A análise comparativa dos algoritmos revela que a técnica Stacking alcança a melhor performance geral na predição, utilizando o sinal de vibração no domino Tempo e também no domínio da frequência com a transformada Wavelet com o filtro Symlet 8. No entanto, é importante considerar que a seleção do algoritmo mais adequado depende das características específicas do problema e das necessidades do sistema em questão. Em suma, este trabalho contribui para o avanço da área de predição de falhas em rolamentos de motores elétricos, fornecendo insights sobre a utilização dos algoritmos de Deep Leaning e resultados da performance dos sinais de vibração e corrente elétrica como entrada. Os resultados obtidos podem auxiliar na seleção e implementação de estratégias eficazes de monitoramento e manutenção preditiva em sistemas de rolamentos de motores elétricos.