Aplicação de Machine Learning e Descritores Estatísticos para Diagnóstico de Falhas em Rolamentos de Motores Elétricos Industriais

Abstract

Esse artigo faz uma análise do desempenho dos classificadores k-Nearest Neighbour, Support Vector Machine, Decision Tree e Random Forest, para a classificação de sinais de vibração adquiridos a partir de rolamentos normais e de rolamentos nos quais foram introduzidas falhas artificiais. Para a extração de descritores foram consideradas duas abordagens. A primeira utiliza Análise de Componente Principal (PCA) para extração das componentes principais dos sinais originais, que são utilizadas como descritores para a modelagem. A segunda obtém os modelos a partir de descritores estatísticos dos sinais no domínio do tempo. O conjunto de dados utilizados nos testes é o CWRU Bearing Dataset, e os resultados mostram que os descritores estatísticos apresentam boa separabilidade das classes favorecendo o desempenho dos modelos de classificação, que obtém taxas superiores a 99% de acurácia nos classificadores Árvore de Decisão e Floresta Aleatória.