Investigação de algoritmos de aprendizado de máquina para detecção de falhas em equipamentos industriais através de análise sonora

Abstract

A detecção de futuras falhas em equipamentos mecânicos é uma atividade essencial dentro da área da Manutenção Preditiva, contribuindo para a resolução de problemas potencialmente críticos envolvendo produtos ou equipamentos fabris, antes mesmo que tais eventos aconteçam. O crescente aumento no volume de dados que podem ser adquiridos durante um processo de fabricação ou uso de um equipamento estimula o surgimento de novas tecnologias e metodologias capazes de extrair informações sobre o fenômeno estudado, sendo uma dessas a detecção de falhas através do som emitido pelos equipamentos. O presente trabalho tem como objetivo investigar e avaliar a aplicação de algoritmos de inteligência artificial para a detecção de anomalias sonoras em um componente industrial através de gravações sonoras obtidas de um banco de dados público. Um modelo de classificação de anomalias por Floresta Aleatória e uma Rede Neural Percéptron Multicamada foram construídos e treinados a partir de parâmetros acústicos extraídos dos sons, e métricas de avaliação como acurácia, precisão e recall foram utilizadas para a comparação de performance. Após o treinamento, ambos os modelos apresentaram uma taxa de acerto de sons anômalos superior a 95%, com o modelo de Rede Neural apresentando o melhor desempenho.

The detection of future failures in mechanical equipment is an essential activity to the field of Predictive Maintenance, contributing to the solution of potentially critical problems involving products or industrial machinery before those problems can actually happen. The current increase in the volume of data that can be acquired during an industrial process or use of equipment promotes the development of new technology and methods capable of extracting information from the studied phenomena, one of those methods being the prediction of failures through the sound emitted by a machine. The objective of the present work is to investigate and evaluate the application of Machine Learning algorithms to the task of acoustic anomaly detection in an industrial equipment using sound recordings from a public database. A Random Forest anomaly classifier and a Multilayer Perceptron Neural Network were built and trained with acoustic features extracted from the sounds, and evaluation metrics such as accuracy, precision and recall were used for performance comparison. After the training, both models presented an accuracy rate above 95%, with the Neural Network showing the best results.