Detecção de falhas mecânicas em motores elétricos baseada em modelos de aprendizado de máquina embarcados em microcontrolador

Abstract

O movimento da indústria 4.0 tem atraído o interesse de diversas empresas que visam tornar seus processos mais eficientes e digitalizados. Uma área muito afetada por esse movimento é a manutenção industrial, onde novas tecnologias vêm sendo empregadas para monitoramento de condição de ativos. Motores elétricos de indução são parte muito importante das indústrias pois estão presentes em diversos processos industriais. Prevenir falhas nestes motores é o objetivo almejado por equipes de manutenção industrial. Este trabalho faz um estudo de caso para identificação de falhas mecânicas de desbalanceamento e desalinhamento em motores elétricos de indução trifásicos. O objetivo é identificar falhas executando modelos de aprendizado de máquina embarcados em um microcontrolador. Os sensores de internet das coisas (IoT) aplicados na digitalização das indústrias normalmente contam com microcontroladores internamente. Executar os algoritmos inteligentes dentro desses dispositivos com restrições de recursos de memória, processamento e energia, poder trazer vantagens como menor latência de resposta e independência de rede de internet. São treinados modelos de aprendizado de máquina utilizando dados coletados através de um sensor IoT comercial. Estes modelos são então embarcados no mesmo sensor para realizar a inferência da condição do motor no ensaio onde os dados foram coletados. Os modelos foram avaliados utilizando a técnica de validação cruzada. Os modelos supervisionados testados tiveram acurácia superior a 90% nos dados de treinamento e o modelo não supervisionado superior a 99%. Durante a inferência, os resultados para os modelos supervisionados também foram satisfatórios, alcançando acurácia média de 83.3% para o modelo de árvore de decisão e 71.5% para o SVM. O modelo não supervisionado se mostrou bastante dependente dos parâmetros selecionados, sendo que para os parâmetros definidos com o conjunto de dados de treinamento, obteve acurácia de 98.21% para os dados de teste e de apenas 9.5% para dados normais, no conjunto de dados de inferência.

Abstract: The Industry 4.0 movement has attracted the interest of various companies aiming to make their processes more efficient and digitalized. One area greatly affected by this movement is industrial maintenance, where new technologies are being employed in assets condition monitoring. Induction electric motors are a very important part of industries as they are present in various industrial processes. Preventing failures in these motors is the goal of industrial maintenance teams. This work presents a case study for identifying mechanical failures of imbalance and misalignment in three phase induction motors. The objective is to identify faults by running machine learning models embedded in a microcontroller. The Internet of Things (IoT) sensors used in the digitalization of industries typically use microcontrollers. Running intelligent algorithms within these devices with memory, processing, and energy resource constraints can bring advantages such as lower response latency and internet network independence. Machine learning models are trained using data collected through a commercial IoT sensor. These models are then embedded in the same sensor to perform inference of the motor condition in the test where the data was collected. The models were evaluated using the cross-validation technique. The supervised models tested had an accuracy greater than 90% on the training data, and the unsupervised model greater than 99%. During inference, the results for the supervised models were also satisfactory, achieving an average accuracy of 83.3% for the decision tree model and 71.5% for the SVM. The unsupervised model was highly dependent on the selected parameters, obtaining an accuracy of 98.2% for the test data and only 9.5% for normal data in the inference dataset.