Real time monitoring of vibration signals quality using artificial intelligence

This work has the objective to evaluate, in real time, the signals of vibrations acquired for monitoring purpose. An experimental setup compound by an electric motor and five ball bearings, with a load applied in the central bearing. The support bearings are self-aligning ball bearings and the central three are rigid bearings of single career. Was built techniques of spectral analysis and Frequency Response Functions have been applied to characterize the vibratory behavior of the studied system. Five data sets of signal condition were acquired, as: good signal, sensors in wrong position, cable problems, transient events and turned off machine. Only the self-aligning ball bearings were monitored. A Null Hypothesis Test for average comparison and a Boxplot graphics analysis were used to filter the 22 chosen vibration parameters in order to select the best sensitivity of the signals set. After identifying of the five more sensible parameters for each ball bearing, they have been used to training a Neural Probabilistic Network and into a Fuzzy Inference System. The classification tools showed good results close to 100 % of success with a test set. As one of the ball bearings presented a cage defect during the operation, it was possible to evaluate the best indicative parameters, of the studied ones, to detect this kind of defect. In this case, the global RMS value and the peak values of envelopes in the frequency range 50 Hz to 1 kHz and 500 Hz to 8 kHz, respectively.Conselho Nacional de Desenvolvimento Científico e TecnológicoMestre em Engenharia MecânicaEste trabalho tem como objetivo estudar a possibilidade de avaliar, em tempo real, os sinais de vibrações adquiridos para fins de monitoramento. Para isto, utilizou-se uma bancada experimental com cinco mancais de rolamentos de esferas, sem vedação e com carga aplicada no mancal central. O sistema foi caracterizado via técnicas de análise espectral e Funções Resposta em Freqüência. Cinco grupos de sinais de vibração adquiridos foram classificados da seguinte forma: sinal bom, problemas de instrumentação (cabo danificado, condicionador de sinais desligado, cabo desconectado), sensores trocados de posição, ocorrência de eventos transientes e máquina desligada. Monitoraram-se apenas os mancais de apoio para verificação da qualidade do sinal e os demais para detecção de possíveis falhas. Utilizando-se um Teste de Hipótese Nula para comparação de médias, e gráficos Boxplot, foi realizada uma análise de sensibilidade para filtrar 22 parâmetros de vibração escolhidos como sintomas de qualidade de sinal. Após a seleção dos cinco parâmetros mais sensíveis para cada mancal, os mesmos foram utilizados para treinamento de uma Rede Neural Probabilística e num Sistema de Inferência Fuzzy, os quais se mostraram aptos a classificar os sinais coletados para teste, não apresentando diferenças significativas entre os resultados (≈100% de acerto) obtidos na classificação. Como um dos mancais apresentou uma falha na gaiola durante o funcionamento, foi possível avaliar os melhores parâmetros indicativos deste defeito