PREDIÇÃO DE FALHAS EM ROLAMENTOS DE MOTORES ELÉTRICOS COM A UTILIZAÇÃO DE TÉCNICAS DE DEEP LEARNING

Abstract

Os ambientes industriais são constituídos por diferentes tipos de equipamentos que compõem sistemas de produção complexos. Os mais propensos a falhas são os motores elétricos. Devido à sua natureza dinâmica, os motores elétricos estão sujeitos à ação de forças centrífugas, forças de atrito e forças resultantes da vibração das partes móveis. Este sistema de forças que atua sobre o equipamento provoca desgaste operacional nas partes móveis, que ao longo do tempo pode provocar falhas e paradas não planejadas. Desta forma, os rolamentos tornam-se parte importante dos motores. A utilização de técnicas de predição de falhas permite assegurar que os rolamentos sempre estarão em boas condições de funcionamento, garantindo a continuidade dos processos produtivos e evitando acidentes. Além disso, a implementação de estratégias preditivas em ambientes industriais pode reduzir os custos causados por paradas não programadas, bem como o tempo de parada da produção. Diversos estudos têm proposto o desenvolvimento de técnicas de predição de falhas em rolamentos, utilizando algoritmos de aprendizado de máquina. Como falhas em rolamentos modificam o regime de vibração, a aquisição e análise desses sinais podem fornecer informações importantes sobre o estado de funcionamento destes componentes. Neste contexto, este trabalho investiga o tema da predição de falhas em rolamentos a partir de sinais de vibração utilizando Long Short-Term Memory (LSTM). A etapa experimental foi realizada utilizando os sinais de vibração do conjunto de dados Intelligent Maintenance Systems (IMS). Os sinais de vibração do referido conjunto foram adquiridos por meio de acelerômetros na planta experimental. Para a predição das falhas, foram implementados modelos utilizando descritores extraídos considerando dois aspectos: o domínio do sinal (domínio do tempo e wavelet) e a estratégia de extração dos descritores do sinal (descritores estatísticos e descritores extraídos por meio de uma CNN). Desta forma, foram propostas quatro arquiteturas de modelos para a predição de falhas iminentes: Modelo 1 (domínio do tempo e descritores estatísticos), Modelo 2 (domínio do tempo e CNN), Modelo 3 (domínio wavelet e descritores estatísticos) e Modelos 4 (domínio wavelet e CNN). Em geral, todos os modelos se mostraram eficientes na predição de falhas, principalmente os que foram implementados utilizando o domínio wavelet e/ou CNN. Os melhores resultados foram obtidos pelo Modelo 4, com o filtro wavelet Symlet 8, no nível de resolução 4 (acurácia = 98,47%, precisão = 98,90%, sensibilidade = 90,20%, especificidade = 98,84 e F1-score = 93,47%). Os resultados indicam que o uso de LSTM combinado com o domínio wavelet e/ou CNN, com o objetivo de prever falhas em rolamentos pode melhorar a confiabilidade dos sistemas de produção, antecipando ações preventivas e reduzindo a necessidade de manutenção corretiva.

Industrial environments are constituted of different types of equipment that make up complex production systems. The most prone to failure are electric motors. Due to their dynamic nature, electric motors are subject to the action of centrifugal forces, frictional forces and forces resulting from the vibration of moving parts. This system of forces acting on the equipment causes operational wear on the moving parts, which over time can provoke failures and unplanned shutdowns. In this way, rolling bearings become an important part of motors. By using failure prediction techniques can ensure the rolling bearings will be always in good operating condition, ensuring the production processes continuity and avoiding accidents. In addition, the implementation of predictive strategies in industrial environments can reduce costs caused by unscheduled outages, as well as production downtime. Several studies have proposed the development of bearings failures prediction techniques, using machine learning algorithms. As bearing failures modify the vibration regime, the acquisition and analysis of these signals may provide important information about the operating condition of these components. In this context, this research investigates the subject of failure prediction in rolling bearings from vibration signals using Long Short-Term Memory (LSTM) networks. The experimental phase was carried out on the vibration signals from the data set Intelligent Maintenance Systems (IMS). Vibration signals of the referred data set were acquired by means of accelerometers in the experimental plant. To predicting failures, models were implemented by using descriptors extracted considering two aspects: the signal domain (time and wavelet domains) and the strategy to extract descriptors from the signal (estatistical descriptors and descriptors extracted by using a CNN). In this way, four models architectures were proposed to predicting imminent failures: Model 1 (time domain and statistical descriptors), Model 2 (time domain and CNN), Model 3 (wavelet domain and statistical descriptors) and Models 4 (wavelet domain and CNN). In general, all models show to be efficient in predicting failures, mainly those ones that were implemented by using wavelet domain and/or CNN. The best result were obtained by the Model 4, with the wavelet filter Symlet 8, at the resolution level 4 (accuracy = 98,47%, precision = 98,90%, sensibility = 90,20%, especificity = 98,84 and F1-score = 93,47%). The results indicate the use of LSTM combined together to wavelet domain and/or CNN, aiming to predicting failures in rolling bearings can improve the reliability of production systems, by anticipating preventive actions and reducing the need for corrective maintenance.