Restricted boltzmann machine based autoencoders for the classification of faults in rotational mechanical systems

• Autor(a) principal: Dias, Ângelo
• Data de Publicação: 2022
• Tipo de documento: Dissertação
• Idioma: eng
• Título da fonte: Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)
• Texto Completo: http://hdl.handle.net/10400.1/19545
• topic: Deep neural networks (dnn); Restricted boltzmann machines rbm); Autoencoder (ae); Classifier; Domínio/Área Científica::Engenharia e Tecnologia::Outras Engenharias e Tecnologias

Contexto O objetivo deste trabalho foi investigar a possibilidade de usar Redes Neuronais Profundas (DNN) para classificar falhas (na forma de sinais anómalos representando vibrações) em rolamentos de esferas, e comparar os resultados com os de algoritmos tradicionais. Métodos O conjunto de dados usado neste trabalho foi recolhido de sensores colocados nos rolamentos de esferas de um eixo conectado a um motor, sendo insuficiente para treinar eficientemente uma DNN. Para superar esse problema, o conjunto de dados foi aumentado, primeiro separandoo em conjuntos disjuntos para minimizar a contaminação dos conjuntos de treino e teste, e em seguida um método de janela deslizante foi aplicado a esses conjuntos para gerar novos conjuntos de treino e teste. Dois modelos de DNN baseados em Máquinas de Boltzmann Restrita (RBM) foram usados neste trabalho, com duas variantes para cada um desses modelos, usando números nítidos ou fuzzy para os parâmetros. Para quantificar os resultados, foram utilizadas as métricas Exatidão e área sob a curva (AUC). Os resultados foram analisados em conjunto com algoritmos tradicionais comuns, usados para estabelecer uma base de comparação. Resultados Os resultados obtidos com assim DNN foram promissores, com o melhor modelo atingindo uma exatidão média de 99.678%. Ainda assim, os resultados obtidos com os algoritmos tradicionais foram melhores, com o melhor modelo alcançando uma exatidão média de 99.98%. Para a outra métrica utilizada para analisar os resultados (AUC), o cenário é semelhante, com o melhor modelo de DNN a alcançar uma AUC média de 0.99995, e o melhor modelo tradicional uma pontuação perfeita de 1. Conclusão Os resultados obtidos revelam que, embora as DNN possam ser eficazes em problemas de classificação, elas não são a melhor escolha para problemas como este (conjuntos de dados constituídos por dados numéricos tabulares). Isso deve-se ao desenvolvimento, afinação e volume de dados de treino necessários em comparação com os algoritmos tradicionais, que além de obter resultados ligeiramente melhores, o fizeram com tempos de treino significativamente menores e quase sem afinação. Para outras aplicações, se houver dados de treino suficientes, as DNN frequentemente demonstram melhor desempenho, uma vez que quando os algoritmos tradicionais atingem um limite no desempenho, as DNN podem continuar a melhorar se tiverem dados de treino adicionais.