Detecção de falhas em motores elétricos com uma abordagem de identificação de outliers utilizando o algoritmo One-Class SVM e sinais de vibração

Abstract

RESUMO: Motores são máquinas elétricas utilizadas em aplicações comerciais e industriais, essenciais para a execução de processos com maior confiabilidade e disponibilidade. Considerando o exposto, a falha do motor elétrico pode paralisar as operações da indústria. Portanto, é importante diagnosticá-la desde o início, pois uma quebra não planejada da máquina pode levar a perdas financeiras significativas. Baseado neste princípio, este trabalho investiga o diagnóstico de falhas em rolamentos de motores elétricos, a partir da análise de sinais de vibração. Para identificar com precisão falhas mecânicas complexas em rolamentos, um grande número de recursos contendo informações de falha deve ser extraído. Entretanto, na maioria dos estudos relativos ao diagnóstico de falhas em rolamentos, a influência da limitação de amostras de treino representativas de falhas não foi considerada. Para resolver o problema de desequilíbrio de dados relacionado à detecção de falha de rolamento, ou seja, geralmente muito mais informações estão disponíveis para rolamentos saudáveis do que para rolamentos danificados, propomos a construção de uma Máquina de Vetores Suporte de Classe Única apenas com dados de rolamentos saudáveis. Para a construção do modelo, 13 descritores estatísticos foram extraídos dos sinais de vibração disponíveis no conjunto de dados Paderborn e Case Western Reserve University. O desempenho do modelo foi avaliado com base na métrica de F1-score da classe minoritária (outliers), obtendo valores de 71% e 88%, respectivamente.

ABSTRACT: Motores são máquinas elétricas utilizadas em aplicações comerciais e industriais, essenciais para a execução de processos com maior confiabilidade e disponibilidade. Considerando o exposto, a falha do motor elétrico pode paralisar as operações da indústria. Portanto, é importante diagnosticá-la desde o início, pois uma quebra não planejada da máquina pode levar a perdas financeiras significativas. Baseado neste princípio, este trabalho investiga o diagnóstico de falhas em rolamentos de motores elétricos, a partir da análise de sinais de vibração. Para identificar com precisão falhas mecânicas complexas em rolamentos, um grande número de recursos contendo informações de falha deve ser extraído. Entretanto, na maioria dos estudos relativos ao diagnóstico de falhas em rolamentos, a influência da limitação de amostras de treino representativas de falhas não foi considerada. Para resolver o problema de desequilíbrio de dados relacionado à detecção de falha de rolamento, ou seja, geralmente muito mais informações estão disponíveis para rolamentos saudáveis do que para rolamentos danificados, propomos a construção de uma Máquina de Vetores Suporte de Classe Única apenas com dados de rolamentos saudáveis. Para a construção do modelo, 13 descritores estatísticos foram extraídos dos sinais de vibração disponíveis no conjunto de dados Paderborn e Case Western Reserve University. O desempenho do modelo foi avaliado com base na métrica de F1-score da classe minoritária (outliers), obtendo valores de 71% e 88%, respectivamente.