Detecção de falhas em rolamentos utilizando acelerômetros MEMS de baixo custo e técnicas de aprendizado de máquina
Palavras-chave:
aprendizado de máquina, arduino, Automação industrial, Automatização, Inteligência artificial, acelerômetro MEMS, detecção de falha, rolamentos, vibração, sinal temporal, redes neurais convolucionais, KNN, árvore de decisãoResumo
As máquinas rotativas são essenciais na indústria moderna, sendo os mancais de rolamento componentes críticos sujeitos a falhas frequentes, responsáveis por cerca de 45% das falhas de maquinário. Tradicionalmente, usa-se manutenção preventiva, que é ineficiente e custosa. Este estudo explora a manutenção preditiva, utilizando sensores MEMS (ADXL345 e MPU6050) para monitorar sinais de vibração e detectar falhas com algoritmos de machine learning (KNN, Árvore de Decisão e CNN 1D). A coleta de dados foi realizada em uma bancada experimental com diferentes defeitos simulados (pista externa e elemento rolante), submetendo os sinais a processamento por FFT. Os resultados mostraram que a CNN 1D obteve o melhor desempenho geral, mesmo sem necessidade de pré-processamento, enquanto o uso de FFT melhorou a acurácia dos outros modelos. O sensor ADXL345 apresentou resultados ligeiramente superiores ao MPU6050, especialmente em 90 Hz. Conclui-se que a combinação de sensores de baixo custo e técnicas de aprendizado de máquina é uma solução viável e eficiente para o monitoramento de falhas em rolamentos.
Referências
PENG, B.; BI, Y.; XUE, B.; ZHANG, M.; WAN, S. A survey on fault diagnosis of rolling bearings. Algorithms, Basel, v. 15, n. 10, art. 347, 2022. DOI: https://doi.org/10.3390/a15100347.
WANG, Jianyu; MO, Zhenling; ZHANG, Heng; MIAO, Qiang. A deep learning method for bearing fault diagnosis based on time-frequency image. IEEE Access, Piscataway, NJ, v. 7, p. 42373–42383, 2019.
ZHANG, X.; ZHAO, B.; LIN, Y. Machine learning based bearing fault diagnosis using the Case Western Reserve University data: a review. IEEE Access, Piscataway, NJ, v. 9, p. 155598–155608, 2021. DOI: 10.1109/ACCESS.2021.3128669.
NANDI, S.; TOLIYAT, H. A.; LI, X. Condition monitoring and fault diagnosis of electrical motors—a review. IEEE Transactions on Energy Conversion, Piscataway, NJ, v. 20, n. 4, p. 719–729, Dec. 2005. DOI: 10.1109/TEC.2005.847955.
KIM, Nam-Ho; AN, Dawn; CHOI, Joo-Ho. Prognostics and health management of engineering systems: an introduction. Cham: Springer, 2017. DOI: https://doi.org/10.1007/978-3-319-44742-1.
MOHRI, Mehryar; ROSTAMIZADEH, Afshin; TALWALKAR, Ameet. Foundations of machine learning. Cambridge, MA: MIT Press, 2018.
