Classificação de falhas em ativos rotativos utilizando rede neural convolucional

Abstract

Máquinas rotativas são amplamente empregadas em processos industriais, cujo uso contínuo provoca desgastes em diversos dos seus componentes, demandando a parada do ativo, para substituí-los. Em função da importância dos ativos para a continuidade operacional de uma indústria, é valiosa sua monitoração constante com o objetivo de predição de falha, realizar uma manutenção programada e minimizar a possibilidade de falha em condições não planejadas. A estratégia de manutenção preditiva, a qual realiza o monitoramento constante dos ativos através das principais variáveis, é importante para permitir o aumento da sua confiabilidade. A fim de ampliar a eficácia da manutenção preditiva, emerge a necessidade de implantar uma solução capaz de detectar e classificar falhas em estágio inicial e recomendar a equipe de manutenção a necessidade de programar a manutenção no ativo. Este trabalho propõe o uso de Rede Neural Convolucional para classificar automaticamente as falhas de ativos que podem ser diagnosticadas através dos sinais de vibração mecânica com o objetivo de apoiar a detecção, o diagnóstico e a classificação de falhas. Os dados experimentais utilizados neste trabalho foram coletados através da base de dados denominada Machinery Fault Database que possui um conjunto de condições normais e sequências de falhas geradas em uma bancada de simulação de falhas, utilizando técnica data driven. Os sinais de vibração no domínio do tempo foram pré-processados usando Transformada Rápida de Fourier e transformados no domínio da frequência, para então serem processados no modelo desenvolvido e denominado de Manutenção Preditiva Utilizando Rede Neural Convolucional (MP-CNN). Este trabalho utilizou os dados de três sensores de vibração unidirecionais do tipo acelerômetro instalados no mancal interno, já que este é um ponto de medição amplamente utilizado e presente em processos industriais. O valor médio da métrica accuracy resultante do modelo foi de 99,58%, mostrando sua capacidade de detectar e classificar falhas em ativos.