Classificação de falhas em rolamentos com aprendizado supervisionado: análise de dados de vibração para diferentes condições de carga

Abstract

Este trabalho apresenta o desenvolvimento de um modelo preditivo para a classificação de falhas em rolamentos, utilizando algoritmos de aprendizado supervisionado aplicados a dados reais do CWRU Bearing Data e a sinais sintéticos simulados. O estudo aborda o desafio da escassez de falhas rotuladas em bases de dados reais, propondo a complementação dos dados experimentais com sinais artificiais para ampliar a robustez dos classificadores em diferentes condições de carga. O método contempla etapas de pré-processamento dos sinais de vibração (denoising por wavelets, janelamento e extração de features), além do particionamento com StratifiedGroupKFold e a avaliação de modelos supervisionados (SVM, Random Forest, XGBoost e LightGBM). Os experimentos incluem três cenários de treinamento (real, sintético e misto), bem como análises de ablação para verificar o impacto da etapa de denoising. Os resultados são avaliados por métricas de desempenho (acurácia, precisão, revocação, F1-macro, AUC-ROC) e por representações gráficas (matrizes de confusão e curvas ROC). Como contribuição, o trabalho evidencia que a utilização de sinais sintéticos obtidos por simulações numéricas pode melhorar a capacidade de generalização dos modelos supervisionados, tornando o diagnóstico mais confiável e menos suscetível a sobreajuste. Conclui-se que a combinação de dados reais e artificiais apresenta potencial para apoiar a manutenção preditiva em sistemas industriais, embora seus benefícios variem conforme as condições de operação.

This work presents the development of a predictive model for bearing fault classification, using supervised learning algorithms applied to real data from the CWRU Bearing Data and to synthetic signals generated through numerical simulations. The study addresses the challenge of the scarcity of labeled fault data in real-world datasets, proposing the augmentation of experimental data with artificial signals to enhance the robustness of classifiers under different load conditions. The proposed method includes vibration signal preprocessing stages (wavelet-based denoising, windowing, and feature extraction), as well as data partitioning using StratifiedGroupKFold and the evaluation of supervised models (SVM, Random Forest, XGBoost, and LightGBM). The experiments consider three training scenarios (real, synthetic, and mixed), along with ablation analyses to assess the impact of the denoising stage. Model performance is evaluated using standard metrics (accuracy, precision, recall, macro F1-score, and AUC-ROC) and graphical representations (confusion matrices and ROC curves). As a contribution, the results demonstrate that the use of synthetic signals obtained through numerical simulations can improve the generalization capability of supervised models, making the diagnostic process more reliable and less susceptible to overfitting. It is concluded that the combination of real and artificial data shows potential to support predictive maintenance in industrial systems, although its benefits depend on the operating conditions.