Aprendizado de máquina para detecção de anomalias em máquinas rotativas por sinais de vibração

Abstract

A manutenção de máquinas requer o contínuo aperfeiçoamento de técnicas e equipamentos para o monitoramento de parâmetros de funcionamento dos equipamentos. Os ganhos financeiros em evitar problemas catastróficos e em cascata em plantas industriais devido às falhas supera, em muito, gastos com monitoramento investimentos em novas tecnologias. Em máquinas rotativas, a vibração é um dos parâmetros mais investigados, visto que a ele está geralmente associado desbalanceamentos, desalinhamentos, defeitos em mancais e rolamentos. O uso de técnicas de aprendizado de máquina vem se tornando uma área de intensa pesquisa, muito em parte do relativo sucesso destas metodologias na classificação de defeitos, prognósticos de tempo de vida útil, além da possibilidade de tratamento online e em tempo real do monitoramento de máquinas. Este trabalho propõe a análise de técnicas existentes de aprendizado de máquinas para a classificação de defeitos em máquinas baseando-se em medidas de sinais de vibração e sinal sonoro do motor tomadas em pontos estratégicos das máquinas monitoradas. Prevê-se a construção de ferramentas que poderão prever e classificar defeitos em máquinas com acurácia e eficiência.

Machine maintenance requires continuous improvement of techniques and equipment for monitoring equipment operating parameters. The financial gains in avoiding catastrophic and cascading problems in industrial plants due to failures far outweigh the expenses with monitoring investments in new technologies. In rotating machines, vibration is one of the most investigated parameters, as it is generally associated with unbalances, misalignments, defects in bearings and bearings, etc. The use of machine learning techniques has become an area of intense research, largely due to the relative success of these methodologies in defect classification, lifetime predictions, in addition to the possibility of online and real-time processing of monitoring machines. This work proposes the analysis of existing machine learning techniques for classifying machine defects based on measurements of vibration signals and sound taken at strategic points of monitored machines. The construction of tools that will be able to predict and classify machine defects with relative accuracy and efficiency is foreseen.