|
Abstract:
|
A detecção de falhas em engrenagens é um tópico essencial para a manutenção preditiva de máquinas
industriais, possibilitando a prevenção de danos graves em outros componentes de máquinas, a redução
de custos com manutenção e aumento de eficiência operacional dos maquinários. Este trabalho busca
explorar o uso de algoritmos de aprendizagem de máquina aplicados a sinais de vibração extraídos com
uso de sensores sem fio para uma máquina rotativa ligada a uma caixa de engrenagens, visando assim
classificar sinais de engrenagens saudáveis e de engrenagens com falhas. Os dados foram obtidos através
de ensaios em um simulador de falhas em máquinas da SpectraQuest e coletados com o uso de sensores
sem fio triaxiais modelo Dynalogger HF+, desenvolvidos pela empresa Dynamox. Foram consideradas
variações de velocidade, de carga e de saúde da engrenagem para duas configurações de montagem da
caixa de engrenagens, sendo uma conectada ao eixo do motor por meio de um sistema de polias e outra
ligada diretamente ao eixo do motor. Foram posicionados sensores de vibração sem fio na entrada e na
saída da caixa de engrenagens de forma a obter sinais de vibração. Destes sinais foram extraídos atributos
no domínio do tempo e da frequência, que foram então utilizados para alimentar diferentes modelos de
classificação: Regressão Logística, SVM, Random Forest e XGBoost. A otimização de hiperparâmetros foi
feita utilizando um algoritmo de busca aleatória, com a Área Sob a Curva ROC (AUC) como parâmetro
de avaliação. Foram feitas três diferentes divisões para o conjunto de treino e para o conjunto de teste:
(A) divisão aleatória, (B) divisão com treinamento usando dados do sistema de polias e teste usando o
sistema ligado diretamente ao motor, (C) divisão com treinamento usando sistema diretamente ligado ao
motor e teste com sistema de polias. Os modelos foram comparados pelo valor AUC de validação e de
teste, tempo de treinamento em segundos, acurácia, acurácia balanceada e FPR (taxa de falso positivo).
O algoritmo XGBoost apresentou os melhores resultados de maneira geral, tendo alcançado um valor
de AUC de 0,972 e uma acurácia balanceada de 0,889 para a divisão (A), AUC de 0,896 e acurácia
balanceada de 0,843 para a divisão (B) e AUC de 0,882 e acurácia balanceada de 0,772 para a divisão
(C). Foi aplicada a seleção dos atributos dos sinais com base em valores de SHAP (SHapley Additive
ExPlanations) como forma de identificar quais foram os atributos mais relevantes para o modelo. Os
resultados do modelo foram comparados com resultados de um estudo semelhante que utilizou sensores
piezoelétricos cabeados convencionais, buscando aferir o desempenho dos sensores sem fio. Foi constatado
um melhor desempenho dos sensores sem fio, possivelmente em decorrência de uma ranhura presente no
pinhão considerado saudável que pode ter influenciado na capacidade de predição do modelo. Uma segunda
comparação foi feita modificando os dados provenientes dos sensores cabeados com uso de métodos de
reamostragem e FRF (Função Resposta em Frequência), de forma a tornar os resultados mais semelhantes
aos captados por sensores sem fio. Constatou-se que os dados modificados performaram de forma inferior
aos dados originais dos sensores cabeados, reforçando a possibilidade de que os resultados dos sensores
sem fio tenham sido influenciados por imperfeições do pinhão considerado saudável. |
