Diagnóstico de falhas em máquinas elétricas rotativas utilizando técnicas de ensemble learning

Joaquim O. F. Moura Filho; Marcelo E. da Silva; Joan K. C. Parente; Márcio A. B. Amora; Vandilberto P. Pinto

doi:10.20906/sbai.v1i1.2788

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

DOI: https://doi.org/10.20906/sbai.v1i1.2788

Keywords: Fault Diagnosis, Feature Extraction, Machine Learning, Pattern Classification, Rotating Electrical Machines

Abstract

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.