Aprendizado de máquina aplicado ao reconhecimento automático de falhas em máquinas rotativas

• Autor(a) principal: Diego Silva Caldeira Rocha
• Data de Publicação: 2018
• Tipo de documento: Dissertação
• Idioma: por
• Título da fonte: Repositório Institucional da UFMG
• Texto Completo: http://hdl.handle.net/1843/BUBD-B4PP45
• topic: Diagnóstico de falhas em máquinas rotativas; XGBoost; Extração de características; KNN; SVM; Vibrações mecânicas; Engenharia elétrica; Vibrações mecânicas; Máquinas rotativas Falhas

As máquinas rotativas como motores, geradores e motobombas são equipamentos comumente utilizados em quase todos os processos industriais. A análise de vibrações mecânicas tem sido uma importante técnica adotada nas empresas para avaliações do estado de operação das máquinas industriais. Este trabalho utiliza-se de uma basede dados de sinais de vibrações mecânicas para classificar automaticamente falhas em máquinas rotativas. São apresentados três modelos de extração de características de sinais de vibrações mecânicas: (i) RMS (Root Means Squares), (ii) Wavelet de Haar edimensão fractal e (iii) FFT (Fast Fourier Transform) com dados estatísticos. Por fim, é utilizado o conceito de aprendizado de máquina com os classificadores KNN (K-vizinhos mais próximos), SVM (Máquina de Vetores de Suporte) e XGBoost (Extreme Gradient Boosting)para diagnosticar as falhas. Os resultados demonstram eficiência detodas as técnicas, sendo que na abordagem Wavelet de Haar e dimensão fractal combinados com o XGBoost obteve os melhores resultados. Foi possível atingir uma acurácia de 98 . 7% (MAUC (Multi-class Extension of AUC) =0.9704) nas falhas em máquinas rota-tivas e 99 . 36% de acurácia (MAUC = 0.9965) na detecção de problemas nos mancais de rolamento. Além disso, obteve resultados intraclasse notáveis, se mostrando bastante promissor para o objeto dessa dissertação.