Detecção de falhas em operação de bombas elétricas utilizando TinyML e sinais acústicos

Detalhes bibliográficos
Ano de defesa: 2024
Autor(a) principal: Silva, Deivison Luan Xavier
Orientador(a): Oliveira, Luiz Affonso Henderson Guedes de
Banca de defesa: Não Informado pela instituição
Tipo de documento: Dissertação
Tipo de acesso: Acesso aberto
Idioma: por
Instituição de defesa: Universidade Federal do Rio Grande do Norte
Programa de Pós-Graduação: PROGRAMA DE PÓS-GRADUAÇÃO EM ENGENHARIA ELÉTRICA E DE COMPUTAÇÃO
Departamento: Não Informado pela instituição
País: Brasil
Palavras-chave em Português:
Área do conhecimento CNPq:
Link de acesso: https://repositorio.ufrn.br/handle/123456789/63060
Resumo: A maior parte dos processos no setor produtivo inicia-se com a geração de energia cinética por motores elétricos. Em operações que envolvem fluidos, bombas elétricas são responsáveis pela movimentação e variação de pressão dos fluidos. Dada a importância desses equipamentos, falhas em seu funcionamento podem impactar negativamente toda a cadeia produtiva, causando queda de rendimento, paradas imprevistas e potenciais riscos à segurança dos trabalhadores. Para mitigar esses prejuízos, estratégias de monitoramento de ativos industriais são implementadas, avaliando fatores como a condição e o desempenho de bombas, auxiliando na tomada de decisão para manutenções corretivas e preventivas. Tradicionalmente, sensores de vibração e corrente são usados para monitorar a condição desses equipamentos, mas, devido ao custo e à necessidade de contato físico, sua aplicação pode ser inviável em alguns casos. Sensores acústicos são uma alternativa de baixo impacto, capazes de detectar anomalias em estágios iniciais sem a necessidade de contato físico, oferecendo uma solução eficiente e não intrusiva para o monitoramento. Para a detecção e diagnóstico de defeitos em bombas elétricas, técnicas de aprendizado de máquina, especialmente redes neurais, são amplamente utilizadas. Este trabalho investiga a viabilidade do uso de aprendizado de máquina miniaturizado, conhecido como TinyML, em combinação com sensores acústicos para a detecção de defeitos em bombas elétricas. Especificamente, foi desenvolvido um modelo de classificação de áudio baseado em redes neurais convolucionais (CNN), implementado e embarcado na plataforma Arduino Nano. Para validar a proposta, utilizou-se o "MIMII Dataset: Sound Dataset for Malfunctioning Industrial Machine Investigation and Inspection", que contém áudios de defeitos de diferentes modelos de bombas. Para garantir a aplicabilidade do sistema embarcado, foi analisada a relação entre a complexidade do modelo da rede neural e sua precisão na detecção de anomalias, utilizando-se a técnica de quantização para reduzir a CNN em aproximadamente 50%. Permitindo a criação, treinamento e implantação de modelos de aprendizado de máquinas em dispositivos de borda, a plataforma Edge Impulse foi utilizada para o desenvolvimento do modelo de detecção de falhas usando sensores acústicos e sua compactação em um modelo reduzido otimizado para o Arduino. Os resultados obtidos indicam uma acurácia de mais de 96% na detecção de defeitos, configurando uma solução de simples implementação, baixo custo e alta eficiência, com potencial de aplicação em diversas áreas industriais, melhorando significativamente o monitoramento de ativos e reduzindo custos relacionados à manutenção.
id UFRN_f4ac0fd9cc99f3f22706ece079f11a70
oai_identifier_str oai:repositorio.ufrn.br:123456789/63060
network_acronym_str UFRN
network_name_str Repositório Institucional da UFRN
repository_id_str
spelling Silva, Deivison Luan Xavierhttps://orcid.org/0009-0000-2388-0571http://lattes.cnpq.br/3317633556320520https://orcid.org/0000-0003-2690-1563http://lattes.cnpq.br/7987212907837941Gendriz, Ignacio SanchezBustos, Harold Ivan ÂnguloSilva, Ivanovitch Medeiros Dantas daOliveira, Luiz Affonso Henderson Guedes de2025-03-18T23:08:44Z2025-03-18T23:08:44Z2024-11-22SILVA, Deivison Luan Xavier. Detecção de falhas em operação de bombas elétricas utilizando TinyML e sinais acústicos. Orientador: Dr. Luiz Affonso Henderson Guedes de Oliveira. 2024. 55f. Dissertação (Mestrado em Engenharia Elétrica e de Computação) - Centro de Tecnologia, Universidade Federal do Rio Grande do Norte, Natal, 2024.https://repositorio.ufrn.br/handle/123456789/6306023001011008P6A maior parte dos processos no setor produtivo inicia-se com a geração de energia cinética por motores elétricos. Em operações que envolvem fluidos, bombas elétricas são responsáveis pela movimentação e variação de pressão dos fluidos. Dada a importância desses equipamentos, falhas em seu funcionamento podem impactar negativamente toda a cadeia produtiva, causando queda de rendimento, paradas imprevistas e potenciais riscos à segurança dos trabalhadores. Para mitigar esses prejuízos, estratégias de monitoramento de ativos industriais são implementadas, avaliando fatores como a condição e o desempenho de bombas, auxiliando na tomada de decisão para manutenções corretivas e preventivas. Tradicionalmente, sensores de vibração e corrente são usados para monitorar a condição desses equipamentos, mas, devido ao custo e à necessidade de contato físico, sua aplicação pode ser inviável em alguns casos. Sensores acústicos são uma alternativa de baixo impacto, capazes de detectar anomalias em estágios iniciais sem a necessidade de contato físico, oferecendo uma solução eficiente e não intrusiva para o monitoramento. Para a detecção e diagnóstico de defeitos em bombas elétricas, técnicas de aprendizado de máquina, especialmente redes neurais, são amplamente utilizadas. Este trabalho investiga a viabilidade do uso de aprendizado de máquina miniaturizado, conhecido como TinyML, em combinação com sensores acústicos para a detecção de defeitos em bombas elétricas. Especificamente, foi desenvolvido um modelo de classificação de áudio baseado em redes neurais convolucionais (CNN), implementado e embarcado na plataforma Arduino Nano. Para validar a proposta, utilizou-se o "MIMII Dataset: Sound Dataset for Malfunctioning Industrial Machine Investigation and Inspection", que contém áudios de defeitos de diferentes modelos de bombas. Para garantir a aplicabilidade do sistema embarcado, foi analisada a relação entre a complexidade do modelo da rede neural e sua precisão na detecção de anomalias, utilizando-se a técnica de quantização para reduzir a CNN em aproximadamente 50%. Permitindo a criação, treinamento e implantação de modelos de aprendizado de máquinas em dispositivos de borda, a plataforma Edge Impulse foi utilizada para o desenvolvimento do modelo de detecção de falhas usando sensores acústicos e sua compactação em um modelo reduzido otimizado para o Arduino. Os resultados obtidos indicam uma acurácia de mais de 96% na detecção de defeitos, configurando uma solução de simples implementação, baixo custo e alta eficiência, com potencial de aplicação em diversas áreas industriais, melhorando significativamente o monitoramento de ativos e reduzindo custos relacionados à manutenção.Most production processes begin with the generation of kinetic energy by electric motors. In fluid-related operations, electric pumps are responsible for the movement and pressure variation of fluids. Given the importance of this equipment, failures in their operation can negatively impact the entire production chain, causing reduced efficiency, unforeseen stoppages, and potential safety risks for workers. To mitigate these issues, industrial asset monitoring strategies are implemented, assessing factors such as the condition and performance of pumps, aiding in corrective and preventive maintenance decisions. Traditionally, vibration and current sensors are used to monitor the condition of this equipment, but due to cost and the need for physical contact, their application may be unfeasible in some cases. Acoustic sensors are a low-impact alternative, capable of detecting anomalies at early stages without physical contact, offering an efficient and non-intrusive monitoring solution. For detecting and diagnosing defects in electric pumps, machine learning techniques, especially neural networks, are widely used. This study investigates the feasibility of using miniaturized machine learning, known as TinyML, in combination with acoustic sensors for detecting defects in electric pumps. Specifically, an audio classification model based on convolutional neural networks (CNN) was developed, implemented, and embedded on the Arduino Nano platform. To validate the proposal, the "MIMII Dataset: Sound Dataset for Malfunctioning Industrial Machine Investigation and Inspection" was used, containing audio recordings of defects from different pump models. To ensure the applicability of the embedded system, the relationship between neural network model complexity and its accuracy in detecting anomalies was analyzed, using quantization techniques to reduce the CNN by approximately 50%. Enabling the creation, training, and deployment of machine learning models on edge devices, the Edge Impulse platform was used for developing the fault detection model using acoustic sensors and its compression into a reduced model optimized for the Arduino. The results indicate an accuracy of over 96% in defect detection, providing a low-cost, highly efficient, and easy-to-implement solution with potential applications in various industrial areas, significantly improving asset monitoring and reducing maintenance-related costs.Universidade Federal do Rio Grande do NortePROGRAMA DE PÓS-GRADUAÇÃO EM ENGENHARIA ELÉTRICA E DE COMPUTAÇÃOUFRNBrasilCNPQ::ENGENHARIAS::ENGENHARIA ELETRICABombasMonitoramento acústicoDetecção de falhasTinyMLSistemas embarcadosDetecção de falhas em operação de bombas elétricas utilizando TinyML e sinais acústicosinfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisinfo:eu-repo/semantics/openAccessporreponame:Repositório Institucional da UFRNinstname:Universidade Federal do Rio Grande do Norte (UFRN)instacron:UFRNORIGINALDeteccaofalhasoperacao_Silva_2024.pdfapplication/pdf2406035https://repositorio.ufrn.br/bitstreams/9d95a916-43b1-46dd-bafe-210c4f9dbc93/download4132dcf42c854885551da584fee5e01cMD51trueAnonymousREAD123456789/630602026-08-26T14:30:00.318014Zopen.accessoai:repositorio.ufrn.br:123456789/63060https://repositorio.ufrn.brRepositório InstitucionalPUBhttp://repositorio.ufrn.br/oai/repositorio@bczm.ufrn.bropendoar:2026-08-26T14:30Repositório Institucional da UFRN - Universidade Federal do Rio Grande do Norte (UFRN)false
dc.title.pt_BR.fl_str_mv Detecção de falhas em operação de bombas elétricas utilizando TinyML e sinais acústicos
title Detecção de falhas em operação de bombas elétricas utilizando TinyML e sinais acústicos
spellingShingle Detecção de falhas em operação de bombas elétricas utilizando TinyML e sinais acústicos
Silva, Deivison Luan Xavier
CNPQ::ENGENHARIAS::ENGENHARIA ELETRICA
Bombas
Monitoramento acústico
Detecção de falhas
TinyML
Sistemas embarcados
title_short Detecção de falhas em operação de bombas elétricas utilizando TinyML e sinais acústicos
title_full Detecção de falhas em operação de bombas elétricas utilizando TinyML e sinais acústicos
title_fullStr Detecção de falhas em operação de bombas elétricas utilizando TinyML e sinais acústicos
title_full_unstemmed Detecção de falhas em operação de bombas elétricas utilizando TinyML e sinais acústicos
title_sort Detecção de falhas em operação de bombas elétricas utilizando TinyML e sinais acústicos
author Silva, Deivison Luan Xavier
author_facet Silva, Deivison Luan Xavier
author_role author
dc.contributor.authorID.pt_BR.fl_str_mv https://orcid.org/0009-0000-2388-0571
dc.contributor.authorLattes.pt_BR.fl_str_mv http://lattes.cnpq.br/3317633556320520
dc.contributor.advisorID.pt_BR.fl_str_mv https://orcid.org/0000-0003-2690-1563
dc.contributor.advisorLattes.pt_BR.fl_str_mv http://lattes.cnpq.br/7987212907837941
dc.contributor.referees1.none.fl_str_mv Bustos, Harold Ivan Ângulo
dc.contributor.referees2.none.fl_str_mv Silva, Ivanovitch Medeiros Dantas da
dc.contributor.author.fl_str_mv Silva, Deivison Luan Xavier
dc.contributor.advisor-co1.fl_str_mv Gendriz, Ignacio Sanchez
dc.contributor.advisor1.fl_str_mv Oliveira, Luiz Affonso Henderson Guedes de
contributor_str_mv Gendriz, Ignacio Sanchez
Oliveira, Luiz Affonso Henderson Guedes de
dc.subject.cnpq.fl_str_mv CNPQ::ENGENHARIAS::ENGENHARIA ELETRICA
topic CNPQ::ENGENHARIAS::ENGENHARIA ELETRICA
Bombas
Monitoramento acústico
Detecção de falhas
TinyML
Sistemas embarcados
dc.subject.por.fl_str_mv Bombas
Monitoramento acústico
Detecção de falhas
TinyML
Sistemas embarcados
description A maior parte dos processos no setor produtivo inicia-se com a geração de energia cinética por motores elétricos. Em operações que envolvem fluidos, bombas elétricas são responsáveis pela movimentação e variação de pressão dos fluidos. Dada a importância desses equipamentos, falhas em seu funcionamento podem impactar negativamente toda a cadeia produtiva, causando queda de rendimento, paradas imprevistas e potenciais riscos à segurança dos trabalhadores. Para mitigar esses prejuízos, estratégias de monitoramento de ativos industriais são implementadas, avaliando fatores como a condição e o desempenho de bombas, auxiliando na tomada de decisão para manutenções corretivas e preventivas. Tradicionalmente, sensores de vibração e corrente são usados para monitorar a condição desses equipamentos, mas, devido ao custo e à necessidade de contato físico, sua aplicação pode ser inviável em alguns casos. Sensores acústicos são uma alternativa de baixo impacto, capazes de detectar anomalias em estágios iniciais sem a necessidade de contato físico, oferecendo uma solução eficiente e não intrusiva para o monitoramento. Para a detecção e diagnóstico de defeitos em bombas elétricas, técnicas de aprendizado de máquina, especialmente redes neurais, são amplamente utilizadas. Este trabalho investiga a viabilidade do uso de aprendizado de máquina miniaturizado, conhecido como TinyML, em combinação com sensores acústicos para a detecção de defeitos em bombas elétricas. Especificamente, foi desenvolvido um modelo de classificação de áudio baseado em redes neurais convolucionais (CNN), implementado e embarcado na plataforma Arduino Nano. Para validar a proposta, utilizou-se o "MIMII Dataset: Sound Dataset for Malfunctioning Industrial Machine Investigation and Inspection", que contém áudios de defeitos de diferentes modelos de bombas. Para garantir a aplicabilidade do sistema embarcado, foi analisada a relação entre a complexidade do modelo da rede neural e sua precisão na detecção de anomalias, utilizando-se a técnica de quantização para reduzir a CNN em aproximadamente 50%. Permitindo a criação, treinamento e implantação de modelos de aprendizado de máquinas em dispositivos de borda, a plataforma Edge Impulse foi utilizada para o desenvolvimento do modelo de detecção de falhas usando sensores acústicos e sua compactação em um modelo reduzido otimizado para o Arduino. Os resultados obtidos indicam uma acurácia de mais de 96% na detecção de defeitos, configurando uma solução de simples implementação, baixo custo e alta eficiência, com potencial de aplicação em diversas áreas industriais, melhorando significativamente o monitoramento de ativos e reduzindo custos relacionados à manutenção.
publishDate 2024
dc.date.issued.fl_str_mv 2024-11-22
dc.date.accessioned.fl_str_mv 2025-03-18T23:08:44Z
dc.date.available.fl_str_mv 2025-03-18T23:08:44Z
dc.type.status.fl_str_mv info:eu-repo/semantics/publishedVersion
dc.type.driver.fl_str_mv info:eu-repo/semantics/masterThesis
format masterThesis
status_str publishedVersion
dc.identifier.citation.fl_str_mv SILVA, Deivison Luan Xavier. Detecção de falhas em operação de bombas elétricas utilizando TinyML e sinais acústicos. Orientador: Dr. Luiz Affonso Henderson Guedes de Oliveira. 2024. 55f. Dissertação (Mestrado em Engenharia Elétrica e de Computação) - Centro de Tecnologia, Universidade Federal do Rio Grande do Norte, Natal, 2024.
dc.identifier.uri.fl_str_mv https://repositorio.ufrn.br/handle/123456789/63060
dc.identifier.capesdegreeprogramcode.pt_BR.fl_str_mv 23001011008P6
identifier_str_mv SILVA, Deivison Luan Xavier. Detecção de falhas em operação de bombas elétricas utilizando TinyML e sinais acústicos. Orientador: Dr. Luiz Affonso Henderson Guedes de Oliveira. 2024. 55f. Dissertação (Mestrado em Engenharia Elétrica e de Computação) - Centro de Tecnologia, Universidade Federal do Rio Grande do Norte, Natal, 2024.
23001011008P6
url https://repositorio.ufrn.br/handle/123456789/63060
dc.language.iso.fl_str_mv por
language por
dc.rights.driver.fl_str_mv info:eu-repo/semantics/openAccess
eu_rights_str_mv openAccess
dc.publisher.none.fl_str_mv Universidade Federal do Rio Grande do Norte
dc.publisher.program.fl_str_mv PROGRAMA DE PÓS-GRADUAÇÃO EM ENGENHARIA ELÉTRICA E DE COMPUTAÇÃO
dc.publisher.initials.fl_str_mv UFRN
dc.publisher.country.fl_str_mv Brasil
publisher.none.fl_str_mv Universidade Federal do Rio Grande do Norte
dc.source.none.fl_str_mv reponame:Repositório Institucional da UFRN
instname:Universidade Federal do Rio Grande do Norte (UFRN)
instacron:UFRN
instname_str Universidade Federal do Rio Grande do Norte (UFRN)
instacron_str UFRN
institution UFRN
reponame_str Repositório Institucional da UFRN
collection Repositório Institucional da UFRN
bitstream.url.fl_str_mv https://repositorio.ufrn.br/bitstreams/9d95a916-43b1-46dd-bafe-210c4f9dbc93/download
bitstream.checksum.fl_str_mv 4132dcf42c854885551da584fee5e01c
bitstream.checksumAlgorithm.fl_str_mv MD5
repository.name.fl_str_mv Repositório Institucional da UFRN - Universidade Federal do Rio Grande do Norte (UFRN)
repository.mail.fl_str_mv repositorio@bczm.ufrn.br
_version_ 1876429079315480576