Métodos de Ensemble aplicados à construção de modelos de diagnóstico de falhas em rolamentos de motores elétricos

Abstract

A predição de falhas em rolamentos de motores elétricos é fundamental para a manutenção preventiva e a melhoria da confiabilidade operacional desses sistemas. Neste estudo, realiza-se uma comparação entre três algoritmos de aprendizado de máquina, a saber: KNN (K-Nearest Neighbors), SVM (Support Vector Machine) e Árvore de Decisão, além de algoritmos de combinação de modelos da técnica Ensemble, como Bagging, Boosting e Stacking, no contexto da predição de falhas em rolamentos. O objetivo deste estudo é investigar a eficácia desses algoritmos na detecção e classificação de falhas em rolamentos, bem como comparar a performance dos mesmos quando aplicados a sinais de vibração e sinais de corrente elétrica como entrada. Neste trabalho é utilizado o dataset Padeborn, composto por sinais de vibração e corrente elétrica de motores elétricos. A metodologia adotada inicia-se com a etapa de pré-processamento dos sinais, em que são aplicadas técnicas de filtragem, normalização e extração de características utilizando a transformada Wavelet e descritores matemáticos. Em seguida, os sinais de entrada são utilizados para treinar e testar os modelos. Os resultados obtidos mostram que todos os algoritmos são capazes de identificar padrões e realizar a predição de falhas com uma acurácia significativa. No entanto, observa-se que o desempenho varia de acordo com o tipo de sinal de entrada, do classificador e seus parâmetros. Enquanto os sinais de vibração fornecem uma boa discriminação entre classes de falhas, os sinais de corrente elétrica apresentam vantagens em termos de processamento e facilidade de aquisição. A análise comparativa dos algoritmos revela que a técnica Stacking alcança a melhor performance geral na predição, utilizando o sinal de vibração no domino Tempo e também no domínio da frequência com a transformada Wavelet com o filtro Symlet 8. No entanto, é importante considerar que a seleção do algoritmo mais adequado depende das características específicas do problema e das necessidades do sistema em questão. Em suma, este trabalho contribui para o avanço da área de predição de falhas em rolamentos de motores elétricos, fornecendo insights sobre a utilização dos algoritmos de Deep Leaning e resultados da performance dos sinais de vibração e corrente elétrica como entrada. Os resultados obtidos podem auxiliar na seleção e implementação de estratégias eficazes de monitoramento e manutenção preditiva em sistemas de rolamentos de motores elétricos.

The prediction of failures in electric motor bearings is crucial for preventive maintenance and the improvement of the operational reliability of these systems. In this study, a comparison is made between three machine learning algorithms, namely: KNN (K-Nearest Neighbors), SVM (Support Vector Machine), and Decision Tree, as well as ensemble model combination algorithms such as Bagging, Boosting, and Stacking, in the context of bearing failure prediction. The objective of this study is to investigate the effectiveness of these algorithms in detecting and classifying bearing failures, as well as to compare their performance when applied to vibration signals and electric current signals as input. This work utilizes the Padeborn dataset, composed of vibration and electric current signals from electric motors.

The methodology adopted begins with the signal preprocessing stage, where filtering, normalization, and feature extraction techniques are applied using Wavelet transform and mathematical descriptors. Subsequently, the input signals are used to train and test the models. The results obtained show that all algorithms are capable of identifying patterns and predicting failures with significant accuracy. However, it is observed that performance varies according to the type of input signal, classifier, and its parameters. The comparative analysis of the algorithms reveals that the Stacking technique achieves the best overall performance in prediction, using the vibration signal in the Time domain and also in the frequency domain with the Wavelet transform using the Symlet 8 filter. However, it is important to consider that the selection of the most suitable algorithm depends on the specific characteristics of the problem and the system's requirements.

In summary, this work contributes to the advancement of the field of bearing failure prediction in electric motors, providing insights into the use of Deep Learning algorithms and comparing the performance of vibration and electric current signals as input. The results obtained can assist in the selection and implementation of effective monitoring and predictive maintenance strategies in electric motor bearing systems.