Diagnóstico de falhas em máquinas elétricas rotativas utilizando técnicas de ensemble learning
Authors
Joaquim O. F. Moura Filho
Programa de Pós-Graduação em Engenharia Elétrica e Computação (PPGEEC), Campus Sobral, Universidade Federal do Ceará
Marcelo E. da Silva
Engenharia Elétrica, Campus Sobral, Universidade Federal do Ceará, CE
Joan K. C. Parente
Engenharia Elétrica, Campus Sobral, Universidade Federal do Ceará, CE
Márcio A. B. Amora
Programa de Pós-Graduação em Engenharia Elétrica e Computação (PPGEEC), Campus Sobral, Universidade Federal do Ceará
Vandilberto P. Pinto
Instituto de Engenharias e Desenvolvimento Sustentável, Universidade da Integração Internacional da Lusofonia Afro-Brasileira (UNILAB), Redenção, CE
Este artigo analisa o problema da classificação de falhas em máquinas elétricas rotativas. Para isso, uma comparação entre técnicas de ensemble learning Random Forest (RF) e Gradient Boosting (GB) foi realizada a fim de analisar a performance desses algoritmos. O banco de dados utilizado é composto por oito variáveis mecânicas relacionadas ao funcionamento do motor sob as condições de falha e não falha. A técnica de extração de características empregada foi Root Mean Square (RMS). Portanto, as simulações realizadas dos algoritmos resultaram em altas taxas de acerto, com o Gradient Boosting obtendo a melhor performance, com uma acurácia superior a 99%, que reforça a grande aplicabilidade desses algoritmos em problemas desta natureza.
