Physics-Informed Deep Learning Framework for Bearing Failure Diagnostics Using Vibration Signal

Abstract

Garantir a confiabilidade de equipamentos e sistemas é de suma importância para todas as indús trias, especialmente para a indústria de Óleo e Gás (O&G). Essa indústria é conhecida por sua alta complexidade, operando em múltiplas condições adversas e com alto grau de incerteza. Portanto, o desenvolvimento de modelos preditivos precisos é essencial. Bombas, turbinas, compressores, entre outras máquinas rotativas, são amplamente utilizadas pela indústria de O&G e são consideradas partes críticas de seus sistemas. O rolamento é um componente comum a todas essas máquinas e é responsável por até 55% das falhas que ocorrem nessas máquinas. Portanto, esse elemento é de grande preocupação para otimização, a fim de garantir a Confiabilidade, Disponibilidade, Mantenabilidade e Segurança (RAMS) do sistema. Rolamentos já foram foco de diversas pesquisas ao longo do tempo, mas princi palmente sob a ótica de abordagens puramente orientadas por dados, as chamadas data-driven. Esses métodos, ao lidarem com sistemas complexos ou quando os dados disponíveis não cobrem todas as condições operacionais, podem resultar em alarmes falsos que contradizem o comportamento esperado do sistema. Esses alarmes falsos, então, podem impactar a confiança na predição por parte dos oper adores. Para resolver os problemas descritos, esta pesquisa propõe um framework para classificação de falhas em rolamentos em um contexto aplicável na indústria de O&G. A metodologia é composta por um modelo de Deep Learning (DL), o qual é alimentado com o comportamento conhecido do sistema por meio de um modelo de limiares, integrado em uma função perda personalizada, abordagem denominada Physics-Informed Deep Learning (PIDL). A abordagem é validada utilizando dois estudos de caso: o conjunto de dados da Universidade de Paderborn (PU) e dados de vibração de rolamentos gerados por uma bancada de vibração de rolamentos do Center for Studies and Trials in Risk and Environmental Modeling (CEERMA). Os resultados mostram que a adição física foi capaz de melhorar o desempenho da abordagem puramente estatística, apresentando um ganho de acurácia relativo de 6%noestudo de caso 1. No estudo de caso 2, onde os ganhos de acurácia foram menores, o modelo PIDL ainda demonstrou sucesso ao reduzir a quantidade de classificações incorretas relacionadas aos casos extremos: dados saudáveis classificados como contendo danos graves, e vice-versa. Além disso, foram realizadas análises de sensibilidade variando o grau de introdução do termo do modelo de limiar. Esses resultados sugerem a vantagem de incluir informações físicas em modelos orientados por dados, quando disponívels.