Análise de atributos de classificação para o diagnóstico de falhas em rolamentos baseado em SVM

• Autor(a) principal: SOUZA, Jusley da Silva
• Data de Publicação: 2019
• Tipo de documento: Dissertação
• Idioma: por
• Título da fonte: Repositório Institucional da UFPA
• Texto Completo: http://repositorio.ufpa.br:8080/jspui/handle/2011/12714
• topic: CNPQ::ENGENHARIAS; Máquinas - Manutenção e reparos; Manutenção preditiva; Rolamentos; Localização de falhas (Engenharia); Vibração; Aprendizado do computador; TECNOLOGIA DOS MATERIAIS; INFRAESTRUTURA

Nas indústrias, a preocupação em disponibilidade total de máquinas e equipamentos mecânicos no setor produtivo é assunto de pesquisas e testes para obtenção de técnicas mais eficientes aplicadas ao monitoramento e diagnóstico de falhas. Rolamentos são elementos de máquina de grande aplicação no setor industrial, e apresentam alto índice de falhas, que geram paradas da máquina para realizar manutenção. Por esse motivo este trabalho apresenta técnica de Inteligência Artificial aplicada aos sinais de vibrações de uma máquina rotativa para diagnóstico de falhas em seus rolamentos. Os sinais de vibração fazem parte de um banco de dados aberto, oferecido pela Case Western Reserve University. Neste trabalho é aplicado de duas formas o algoritmo de classificação Máquina de Vetores de Suporte (Support Vector Machine, SVM) para o diagnóstico de defeitos em rolamento. No primeiro caso são usados preditores estatísticos (Valor RMS, Fator de Crista, Fator K, Curtose e Skewness) como atributos para o classificador SVM. No segundo caso, o processamento do sinal é feito aplicando o método EEMD (Ensemble Empirical Mode Decomposition), que gera vários sinais denominados de Funções de Modos Intrínsecos (IMFs). Para cada IMF faz-se a sua modelagem usando Modelagem Autoregressiva (AR), e os coeficientes dos modelos AR de cada IMF são usados como atributos para o classificador SVM. As análises são realizadas para grupos de treinamentos e validação, com janelas escolhidas aleatoriamente e com janelas escolhidas na sequência temporal, considerando-se dois problemas de classificação dentro dos mesmos dados: um considera-se a mesma severidade e muda apenas o tipo de defeito e a outra em que tanto a severidade quanto o tipo de defeito variam. Como resultados, as metodologias apresentaram excelentes resultados de confiabilidade para diagnóstico de falhas em rolamentos.