Análise comparativa de modelos de machine learning e convolutional neural networks na detecção de falhas em máquinas rotativas

Abstract

Máquinas rotativas possuem uma importância crucial na produção industrial e sua presença é indispensável em diversas indústrias. No entanto, a suscetibilidade dessas máquinas a falhas pode resultar em problemas que variam desde a redução da eficiência até riscos de segurança e interrupção total da produção. O monitoramento contínuo é vital para identificar precocemente sinais de degradação e prevenir falhas graves. Nesse contexto, a manutenção preditiva, fundamentada no monitoramento constante das condições das máquinas, destaca-se como uma abordagem eficaz para otimizar a eficiência operacional e prolongar a vida útil dos equipamentos. Este trabalho aplica diferentes modelos de aprendizado de máquina e aprendizado profundo para o diagnóstico de falhas em máquinas rotativas. Especificamente, a dissertação realiza uma análise comparativa entre modelos de Convolutional Neural Networks (CNN), Support Vector Machine (SVM), regressão logística, Multilayer Perceptron (MLP) e RandomForest (RF), considerando a base de dados de vibração para rolamentos da Case Western Reserve University (CWRU). Os modelos avaliados apresentaram as seguintes acurácias para falhas em maquinas rotativas: SVM (97%), Regressão Logística (94%), MLP (96%), Random Forest (96%) e CNN (90%). Os resultados destacam a eficácia do modelo com o SVM. A avaliação do desempenho dos modelos de detecção de falhas é útil para o planejamento da manutenção, proporcionando informações sobre a eficácia de cada modelo em reconhecer diversos tipos de falhas em máquinas rotativas.