Manutenção preditiva de máquinas rotativas para detecção de falhas mecânicas com técnicas de aprendizado de máquina utilizando dados reais de sensores de vibração

Abstract

Técnicas de manutenção preditiva são cada vez mais utilizadas na indústria, visto que proporcionam melhorias na eficiência da produção e ganhos financeiros ao aumenta rem a vida útil das máquinas e minimizarem o número de manutenções. Considerando este cenário, este trabalho busca implementar um modelo de aprendizado de má quina de random forest para detecção de falhas mecânicas a partir de dados reais de sensores de vibração de máquinas rotativas. Para isso, foi realizada uma pesquisa exploratória e quantitativa com os objetivos de: i) analisar o desempenho do modelo ao utilizar dados de telemetria e dados do monitoramento de forma de onda separados e em conjunto; ii) e analisar os efeitos produzidos no desempenho dos modelos ao se alterar a tarefa de detecção, da presença ou não de uma falha mecânica qualquer para a detecção de falhas mecânicas específicas. A metodologia CRISP-DM foi empre gada como forma de apoio para o processo de desenvolvimento dos experimentos de aprendizado de máquina. Com os experimentos, verificou-se que alterar a tarefa para detecção de falhas específicas não resulta um desempenho melhor do que considerar apenas a classificação binária de que há ou não falha mecânica. Além disso, o modelo apresenta o melhor desempenho ao utilizar apenas os dados do monitoramento de forma de onda, indicando que embora seja possível identificar padrões com os dados de telemetria, tais dados não contribuem com o desempenho do modelo frente aos dados de forma de onda. Finalmente, no caso da detecção de falhas mecânicas a partir de dados do monitoramento de forma de onda, observou-se que as features do sinal de envelope foram as consideradas mais relevantes para o modelo.

Predictive maintenance techniques are increasingly used in industry, as they provide improvements in production efficiency and financial gains by increasing the useful life of machines and minimizing the number of maintenances. Considering this scenario, this work seeks to implement a random forest machine learning model for detecting mechanical failures from real data from vibration sensors of rotating machines. For this, an exploratory and quantitative research was carried out with the objectives of: i) analyzing the performance of the model when using telemetry data and waveform monitoring data separately and together; ii) and analyze the effects produced on the performance of the models when changing the detection task, from the presence or absence of any mechanical failure to the detection of specific mechanical failures. The CRISP-DM methodology was used to support the process of developing machine learning experiments. With the experiments, it was verified that changing the task to detect specific failures does not result in a better performance than considering only the binary classification that there is or is not a mechanical failure. In addition, the model presents the best performance when using only the waveform monitoring data, indicating that although it is possible to identify patterns with the telemetry data, such data do not contribute to the performance of the model against the waveform data. . Finally, in the case of detecting mechanical failures from waveform monitoring data, it was observed that the features of the envelope signal were considered the most relevant for the model.