Aprendizado de máquina aplicado ao reconhecimento automático de falhas em máquinas rotativas

As máquinas rotativas como motores, geradores e motobombas são equipamentos comumente utilizados em quase todos os processos industriais. A análise de vibrações mecânicas tem sido uma importante técnica adotada nas empresas para avaliações do estado de operação das máquinas industriais. Este trabalho utiliza-se de uma basede dados de sinais de vibrações mecânicas para classificar automaticamente falhas em máquinas rotativas. São apresentados três modelos de extração de características de sinais de vibrações mecânicas: (i) RMS (Root Means Squares), (ii) Wavelet de Haar edimensão fractal e (iii) FFT (Fast Fourier Transform) com dados estatísticos. Por fim, é utilizado o conceito de aprendizado de máquina com os classificadores KNN (K-vizinhos mais próximos), SVM (Máquina de Vetores de Suporte) e XGBoost (Extreme Gradient Boosting)para diagnosticar as falhas. Os resultados demonstram eficiência detodas as técnicas, sendo que na abordagem Wavelet de Haar e dimensão fractal combinados com o XGBoost obteve os melhores resultados. Foi possível atingir uma acurácia de 98 . 7% (MAUC (Multi-class Extension of AUC) =0.9704) nas falhas em máquinas rota-tivas e 99 . 36% de acurácia (MAUC = 0.9965) na detecção de problemas nos mancais de rolamento. Além disso, obteve resultados intraclasse notáveis, se mostrando bastante promissor para o objeto dessa dissertação.Rotary machines such as motors, generators and pumps are commonly used in almost all industrial processes. The analysis of mechanical vibrations has been an important technique adopted in companies to evaluate the state of operation of industrial machines. This work uses a database of mechanical vibration signals to automati-cally classify faults in rotary machines. Three models of extraction of characteristics of mechanical vibration signals are presented: (i) RMS (Root Means Squares), (ii) Haar Wavelet and fractal dimension and (iii) FFT (Fast Fourier transform) with statistical data. Finally, the machine learning concept is used with the classifiers KNN (K-NearestNeighbors), SVM (Support Vector Machine) and XGBoost (Extreme Gradient Boosting) to diagnose faults. The results demonstrate the effi ciency of all the techniques, although wavelet approach and fractal dimension combined with XGBoost, presenting the best results. It was possible to reach an accuracy of 98 . 7% (MAUC (Multi-class Extension ofAUC)=0.9704) on rotating machine failures and 99 . 36% of accuracy (MAUC=0.9965) for bearing problems. In addition, it obtained remarkable intraclass results and was very promising for the subject of this dissertation