Análise de transformações bidimensionais de sinais de vibração para classificação de defeitos e falhas em rolamentos usando Redes Neurais Convolucionais

Abstract

O avanço tecnológico dos sensores e a suas aplicações para identificar possíveis falhas em máquinas industriais tem transformado o setor da manutenção preventiva. O uso de sensores tem possibilitado a manutenção baseada em dados, o que significa que é possível monitorar o funcionamento dos ativos industriais. Este trabalho tem por objetivo desenvolver e validar modelos de Redes Neurais Convolucionais baseados nos dados de sensores, viabilizando o diagnóstico automatizado de defeitos em rolamentos. A metodologia de desenvolvimento CRISP-DM foi empregada como forma de apoio para o processo de desenvolvimento dos modelos. Uma nova metodologia de avaliação dos modelos em cima de um conjunto de dados amplamente utilizado em pesquisas na área foi implementada evitando problemas de vazamento, proporcionando uma maior diversidade ao conjunto de treino e permitindo uma maior robustez à mudança de domínio. Foi explorado o uso de diferentes representações visuais do sinal captado, que agregam informações como a frequência em um dado instante do tempo, transformando um objeto vetorial unidimensional em uma representação matricial bidimensional. A representação dos sinais por meio de cepstrogramas resultou em um desempenho de classificação significativamente superior ao atual estado da arte. Modelos explorados no decorrer desse trabalho podem habilitar gestores do setor da manutenção a tomar decisões mais acertadas com base no diagnóstico de possíveis falhas, permitindo uma gestão mais eficiente do chão de fábrica.

The technological advancement of sensors and their applications for identifying potential failures in industrial machines has transformed the preventive maintenance sector. The use of sensors has enabled data-based maintenance, which means that it is possible to monitor the functioning of industrial assets. The objective of this work is to develop and validate Convolutional Neural Network models based on sensor data, enabling the automated diagnosis of defects in bearings. The CRISP-DM development methodology was employed as a support for the model development process. A new evaluation methodology for the models on a widely used dataset in research in the area was implemented, avoiding leakage issues, providing greater diversity to the training set, and allowing greater robustness to domain variation. The use of different visual representations of the captured signal, which aggregate information such as frequency at a given moment in time, transforming a one-dimensional vectorial object into a two-dimensional matrix representation, was explored. The representation of signals through cepstrograms resulted in significantly superior classification performance compared to the current state of the art. Models explored in this work can enable maintenance sector managers to make more accurate decisions based on the diagnosis of potential failures, allowing for more efficient factory floor management.