Detecção de falhas em ativos industriais através de machine learning aplicado à analise de vibrações

Abstract

Motores elétricos, redutores e bombas fazem parte de um grupo seleto de equipamentos que estão presentes em grande parte das indústrias ao redor do mundo, sejam estas de pequeno, médio ou grande porte. A disponibilidade dos ativos industriais se mostra como um ponto crucial no desenvolvimento de qualquer negócio. Neste contexto, a manutenção preditiva visa utilizar-se dos mais diversos métodos para prever condições de falha que possam surgir no equipamento, garantindo um maior tempo de vida útil de seus componentes. O sensoriamento remoto e análise de vibrações se fazem presentes em boa parte da rotina das equipes de manutenção, visando detectar falhas de maneira antecipada para que as paradas na linha de produção sejam programadas, reduzindo custos com pessoas e componentes. Sob esta ótica, utilizar-se dos dados de sensoriamento online e sem fio para aumentar o número de dados diários se consolidou como um método efetivo de monitoramento de ativos, uma vez que o analista de vibração pode dedicar maior parte do seu tempo para análise de máquinas mais críticas. Partindo deste preceito, a utilização de modelos computacionais em machine learning pode se mostrar como uma alternativa interessante visando diagnosticar, de forma automatizada, falhas em ativos a partir de métricas provenientes do sensoriamento remoto. O presente trabalho visa analisar as mais variadas falhas que podem surgir em motores, redutores e bombas a fim de utilizar-se dos dados de vibração provenientes de sensores sem fio para que, após uma etapa de filtragem e tratamento, sejam adicionadas a um modelo de Árvore de Decisão com o objetivo de diagnosticar falhas de maneira preditiva nestes equipamentos.

Electric motors, gearboxes and pumps are part of a select group of equipment that are present in most industries around the world, whether small, medium or large. The availability of industrial assets is a crucial matter in the development of any business. In this context, predictive maintenance aims to use the most diverse methods to predict failure conditions that may arise in equipment, ensuring a longer life span of its components. Remote sensoring and vibration analysis are present in a large part of the routine of maintenance teams, aiming to detect failures in advance so that production stops can be scheduled, reducing costs with people and components. From this perspective, using online and wireless sensoring to increase the number of daily data has been consolidated as an effective method for asset monitoring, since the vibration analyst can dedicate most of his time to analyze the most critical machines. Based on this precept, the use of computational models in machine learning may prove to be an interesting alternative in terms of diagnosis, in an automated way, of asset failures based on metrics from remote sensoring. This work aims to analyze the most varied failures that can arise in motors, gearboxes and pumps in order to use the vibration data from wireless sensors so that, after a filtering and treatment step, they can be added to a Decision Tree model with the objective of diagnosing failures in a predictive way in this kinf of equipment.