PREDIÇÃO DE FALHAS EM ROLAMENTOS DE MOTORES ELÉTRICOS COM A UTILIZAÇÃO DE TÉCNICAS DE DEEP LEARNING

• Ano de defesa: 2023
• Autor(a) principal: Campos, Rodrigo Cesar
• Orientador(a): Pinto, Luiz Alberto
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Serra
• Palavras-chave em Português: CNN; descritores estatísticos.; Motores elétricos; Rolamentos; Redes neurais (computação); Aprendizado do computador; Machine Learning
• Link de acesso: https://repositorio.ifes.edu.br/handle/123456789/3728

Os ambientes industriais são constituídos por diferentes tipos de equipamentos que compõem sistemas de produção complexos. Os mais propensos a falhas são os motores elétricos. Devido à sua natureza dinâmica, os motores elétricos estão sujeitos à ação de forças centrífugas, forças de atrito e forças resultantes da vibração das partes móveis. Este sistema de forças que atua sobre o equipamento provoca desgaste operacional nas partes móveis, que ao longo do tempo pode provocar falhas e paradas não planejadas. Desta forma, os rolamentos tornam-se parte importante dos motores. A utilização de técnicas de predição de falhas permite assegurar que os rolamentos sempre estarão em boas condições de funcionamento, garantindo a continuidade dos processos produtivos e evitando acidentes. Além disso, a implementação de estratégias preditivas em ambientes industriais pode reduzir os custos causados por paradas não programadas, bem como o tempo de parada da produção. Diversos estudos têm proposto o desenvolvimento de técnicas de predição de falhas em rolamentos, utilizando algoritmos de aprendizado de máquina. Como falhas em rolamentos modificam o regime de vibração, a aquisição e análise desses sinais podem fornecer informações importantes sobre o estado de funcionamento destes componentes. Neste contexto, este trabalho investiga o tema da predição de falhas em rolamentos a partir de sinais de vibração utilizando Long Short-Term Memory (LSTM). A etapa experimental foi realizada utilizando os sinais de vibração do conjunto de dados Intelligent Maintenance Systems (IMS). Os sinais de vibração do referido conjunto foram adquiridos por meio de acelerômetros na planta experimental. Para a predição das falhas, foram implementados modelos utilizando descritores extraídos considerando dois aspectos: o domínio do sinal (domínio do tempo e wavelet) e a estratégia de extração dos descritores do sinal (descritores estatísticos e descritores extraídos por meio de uma CNN). Desta forma, foram propostas quatro arquiteturas de modelos para a predição de falhas iminentes: Modelo 1 (domínio do tempo e descritores estatísticos), Modelo 2 (domínio do tempo e CNN), Modelo 3 (domínio wavelet e descritores estatísticos) e Modelos 4 (domínio wavelet e CNN). Em geral, todos os modelos se mostraram eficientes na predição de falhas, principalmente os que foram implementados utilizando o domínio wavelet e/ou CNN. Os melhores resultados foram obtidos pelo Modelo 4, com o filtro wavelet Symlet 8, no nível de resolução 4 (acurácia = 98,47%, precisão = 98,90%, sensibilidade = 90,20%, especificidade = 98,84 e F1-score = 93,47%). Os resultados indicam que o uso de LSTM combinado com o domínio wavelet e/ou CNN, com o objetivo de prever falhas em rolamentos pode melhorar a confiabilidade dos sistemas de produção, antecipando ações preventivas e reduzindo a necessidade de manutenção corretiva.