Detecção e diagnóstico de falhas em rolamentos, sob diferentes cargas e velocidades, utilizando redes neurais convolucionais
DOI:
https://doi.org/10.34117/bjdv9n8-098Keywords:
detecção e diagnósticos de falhas, rede neural convolucional, inteligência artificial, diagnóstico de falhas em rolamentos, aprendizado profundoAbstract
A Inteligência Artificial (IA) vem se consolidando como um meio eficaz e desafiador no processo de monitoramento, detecção e diagnóstico de falhas em equipamentos e sistemas industriais. Dentre os equipamentos, que são frequentemente objeto de monitoramentos, destacam-se os rolamentos, que são componentes mecânicos críticos das máquinas rotativas. Diante do desempenho eficiente das técnicas IA e da importância dos rolamentos nos processos industriais, este trabalho implementa uma Rede Neural Convolucional (CNN) para detecção e diagnóstico de falhas em rolamentos, sob diferentes cargas, velocidades, tipos e profundidade de falhas. Para o desenvolvimento do algoritmo foram utilizados dados de ensaios de vibração em rolamentos da Case Western Reserve University (CWRU), extraindo as características representativas da integridade dos rolamentos dos dados de vibração e classificando em quatro condições: normal, falha na esfera, falha na pista externa e falha na pista interna. Quando comparado com outros métodos baseados em CNN que utilizaram o mesmo banco de dados, a abordagem proposta demonstrou superioridade ou foi pelo menos tão bem-sucedido quanto, atingindo uma precisão de 100% com os arquivos sendo treinado e testado nas mesmas condições operacionais e uma precisão de 97,7% quando testado com arquivos em condições operacionais diferentes das condições de treinamento.
References
AHMED, Hosameldin; NANDI, Asoke K. Compressive sampling and feature ranking framework for bearing fault classification with vibration signals. IEEE Access, v. 6, p. 44731-44746, 2018.
CASE SCHOOL OF ENGINEERING. Case Western Reserve University. Bearing Data Center: Seeded Fault Test Data. Disponível em: https://engineering.case.edu/bearingdatacenter/apparatus-and-procedures/>. Acesso em: 22 jul. 2022
CHEN, Chih-Cheng et al. An improved fault diagnosis using 1d-convolutional neural network model. Electronics, v. 10, n. 1, p. 59, 2020.
DING, Xiaoxi; HE, Qingbo. Energy-fluctuated multiscale feature learning with deep convnet for intelligent spindle bearing fault diagnosis. IEEE Transactions on Instrumentation and Measurement, v. 66, n. 8, p. 1926-1935, 2017.
GUO, Sheng et al. Multitask convolutional neural network with information fusion for bearing fault diagnosis and localization. IEEE Transactions on Industrial Electronics, v. 67, n. 9, p. 8005-8015, 2019.
ISERMANN, Rolf. Supervision, fault-detection and fault-diagnosis methods—an introduction. Control engineering practice, v. 5, n. 5, p. 639-652, 1997.
JARDINE, Andrew KS; LIN, Daming; BANJEVIC, Dragan. A review on machinery diagnostics and prognostics implementing condition-based maintenance. Mechanical systems and signal processing, v. 20, n. 7, p. 1483-1510, 2006.
KARN, Ujjwal. An Intuitive Explanation of Convolutional Neural Networks. Deep learning, computer vision, nlp, data science. 11 ago. 2016. Disponível em: <https://ujjwalkarn.me/2016/08/11/intuitive-explanation-convnets/>. Acesso em 25/01/2023.
KINGMA, Diederik P.; BA, Jimmy. Adam: A method for stochastic optimization. arXiv preprint arXiv:1412.6980, 2014.
LEE, Chun-Yao; LE, Truong-An. Identifying faults of rolling element based on persistence spectrum and convolutional neural network with ResNet structure. IEEE Access, v. 9, p. 78241-78252, 2021.
LI, Zhengping; LIU, Kaiqiang; XIAO, Lei. Bearing Intelligent Fault Diagnosis Under Complex Working Condition Based on SK-ES-CNN. In: 2021 Global Reliability and Prognostics and Health Management (PHM-Nanjing). IEEE, 2021. p. 1-8.
MA, Jianping; JIANG, Jin. Applications of fault detection and diagnosis methods in nuclear power plants: A review. Progress in nuclear energy, v. 53, n. 3, p. 255-266, 2011.
NILSSON, Nils J. Probabilistic logic. Artificial intelligence, v. 28, n. 1, p. 71-87, 1986.
PENG, Zhi Ke; CHU, F. L. Application of the wavelet transform in machine condition monitoring and fault diagnostics: a review with bibliography. Mechanical systems and signal processing, v. 18, n. 2, p. 199-221, 2004.
SHUI, Aishe et al. Review of fault diagnosis in control systems. In: 2009 Chinese Control and Decision Conference. IEEE, 2009. p. 5324-5329.
SIDDIQUE, Arfat; YADAVA, G. S.; SINGH, Bhim. Applications of artificial intelligence techniques for induction machine stator fault diagnostics. In: 4th IEEE International Symposium on Diagnostics for Electric Machines, Power Electronics and Drives, 2003. SDEMPED 2003. IEEE, 2003. p. 29-34.
SMITH, Wade A.; RANDALL, Robert B. Rolling element bearing diagnostics using the Case Western Reserve University data: A benchmark study. Mechanical systems and signal processing, v. 64, p. 100-131, 2015.
TAYYAB, Syed Muhammad; CHATTERTON, Steven; PENNACCHI, Paolo. Intelligent Defect Diagnosis of Rolling Element Bearings under Variable Operating Conditions Using Convolutional Neural Network and Order Maps. Sensors, v. 22, n. 5, p. 2026, 2022.
THE MATHWORKS, Inc. Help Center. TrainingOptions. Disponível em: <https://www.Mathworks.com/help/deeplearning/ref/trainingoptions.html>. Acesso em 02/01/2023.
VERSTRAETE, David et al. Deep learning enabled fault diagnosis using time-frequency image analysis of rolling element bearings. Shock and Vibration, v. 2017, 2017.
WANG, Jianyu et al. A deep learning method for bearing fault diagnosis based on time-frequency image. IEEE Access, v. 7, p. 42373-42383, 2019.
XU, Gaowei et al. Bearing fault diagnosis method based on deep convolutional neural network and random forest ensemble learning. Sensors, v. 19, n. 5, p. 1088, 2019.
