Técnicas de aprendizado de máquinas aplicadas ao diagnóstico de falhas em equipamentos industriais

Abstract

O presente trabalho apresenta técnicas de reconhecimento de padrões utilizados na identificação de falhas em processos industriais e em equipamentos dinâmicos. Foram utilizados três conjuntos de dados, sendo dois referentes a processos de uma planta de cimento e um conjunto de dados simulando o comportamento de uma máquina rotativa (Rotorkit) em condições normais de operação, e em condições de falhas conhecidas. Para as falhas de processos, variáveis como pressão, temperatura e vibração foram utilizadas como descritores do conjunto de dados, sendo que a classificação dessas falhas foram realizadas por especialistas da planta ao longo de três anos de coleta dos dados. Para análise das falhas em equipamentos dinâmicos, os descritores foram extraídos através de dados estatísticos no domínio do tempo, dados no domínio da frequência, e dados no domínio tempo-frequência. O sistema foi submetido a diversas falhas gerando dados suficientes para as etapas de treinamento e testes. Técnicas de análise de dados foram utilizadas, bem como ferramentas de seleção de características utilizando algoritmos baseados em árvore de decisão, e extração de características com redução da dimensionalidade utilizando análise de componentes principais. Os modelos utilizados como treinamento foram os algoritmos k-vizinhos mais próximos, árvore de decisão, floresta aleatória, máquinas de vetores de suporte e redes neurais artificiais. Diversos testes foram realizados utilizando todo o conjunto de dados e, através das ferramentas de seleção e extração de características, descritores mais relevantes foram utilizados com objetivo de verificar o desempenho dos treinamentos e minimizar o custo computacional. Os resultados demonstram a eficiência de todas as técnicas, bem como as vantagens de se implementar um sistema de diagnóstico para manter a disponibilidade e confiabilidade dos equipamentos e processos.

The present work presents pattern recognition techniques used to identify failures in industrial processes and dynamic equipment. Three data sets were used, two referring to the processes of a cement plant and a dataset simulating the behavior of a rotating machine (Rotorkit) under normal operating conditions and known fault conditions. For process failures, variables such as pressure, temperature and vibration were used as descriptors of the dataset, and the classification of these failures was carried out by plant specialists over three years of data collection. For the analysis of failures in dynamic equipment, the descriptors were extracted using statistical data in the time domain, data in the frequency domain, and data in the time-frequency domain. The system was subjected to several failures generating enough data for the training and testing stages. Data analysis techniques were used, as well as tools for feature selecting using algorithms based on decision trees, and extracting characteristics with reduced dimensionality using principal component analysis. The models used as training were the nearest k-neighbor algorithms, decision trees, random forests, support vector machines and artificial neural networks. Several tests were performed using the entire data set and, through the selection and extraction tools of characteristics, more relevant descriptors were used in order to verify the training performance and minimize the computational cost. The results demonstrate the efficiency of all techniques, as well as the advantages of implementing a diagnostic system to maintain the availability and reliability of equipment and processes.