Tese de Doutorado

Redes neurais para o diagnóstico de falhas em máquinas rotativas é um tema amplamente abordado na literatura, onde já o primeiro trabalho publicado, em 1992, apresentou resultados melhores que as técnicas de estado da arte até aquele momento. Esta tese, então, tem como objetivo determinar os motivos e limitações que ainda impedem sua aplicação de maneira ampla pela indústria, apesar da tecnologia e conhecimento disponíveis. Para isso, é realizado um estudo analítico a respeito das características dos sinais de vibração que são relevantes para o treinamento de redes neurais para este fim. Foi identificado que o gerenciamento dos dados de treinamento é negligenciado na literatura, o que implica em problemas marginais, como a aplicação indevida da instrumentação e aquisição de sinais, mas também em problemas graves, como o treinamento com dados desbalanceados, que é uma característica comum em bancos de dados de casos práticos. Por isso, ao estudar toda a cadeia do sinal, foi necessário dividir esta tese em três partes. A primeira, focada na Instrumentação e Aquisição de Sinais, onde um protótipo de instrumento coletor de vibração foi desenvolvido e avaliado; a segunda, onde foi realizada uma avaliação comparativa de 20 redes neurais treinadas com diferentes datasets visando avaliar o impacto do desbalanceamento de dados, da extração de características e do tipo de rede neural no desempenho das redes; e a terceira, que trata do tema de data augmentation de sinais de vibração ao propor um novo método de modelagem de sinais com base em Identificação de Sistemas no domínio da frequência. Este método se mostrou bastante promissor, mas ainda necessita ser melhor explorado e desenvolvido para poder ser aplicado em casos reais. Ao final, foi verificado que, apesar de o foco da pesquisa atualmente estar relacionado ao tipo e à forma da rede neural usada, o tipo mais simples possível, quando treinado com um conjunto de dados representativo e aliado a uma extração de dados simples mas eficiente, é suficiente para se obter um ótimo resultado. Ao realizar um amplo estudo multidisciplinar, este trabalho traz uma nova perspectiva e abre novos caminhos de pesquisa para a área de redes neurais no diagnóstico de falhas em máquinas rotativas.

Neural networks for the diagnosis of rotating machinery is a widely approached theme in literature, where the first work published, in 1992, already presented results better than the state-of-the-art techniques at that time. Therefore, this thesis has the objective to determine the motives and limitations that still prevent its wide application in the industry, despite available technology and knowledge. To this end, an analytical study is performed regarding the characteristics of the vibration signals relevant to the training of neural networks used for this end. It was identified that the training data management is neglected in the literature, which implies marginal problems, such as the incorrect application of instrumentation and signal acquisition, but also severe problems, such as training with unbalanced data, a common characteristic in practical databases. Hence, while studying the whole signal chain, it was necessary to divide this thesis into three parts. The first, focused on Instrumentation and Signal Acquisition, where a vibration data collector prototype was developed and analyzed; the second, where a comparative evaluation of 20 neural networks trained with different datasets was performed considering the impact of imbalanced data, feature extraction, and the type of neural network on its performance; and the third part, regarding the subject of data augmentation of vibration signals, where a new method for signal modeling based on System Identification in the frequency domain is proposed. This method presented itself as a promising solution, but still needs to be better explored and developed to be applied in real cases. In the end, it was verified that, although the focus of the research is currently related to the type and form of the neural network used, the simplest type possible, when trained with a representative dataset and combined with a simple but efficient data extraction, is enough to obtain a great result. By carrying out a broad multidisciplinary study, this work brings a new perspective and opens new ways of research in the area of neural networks for the diagnosis of rotating machinery.