Rede neural convolucional para o diagnóstico de rolamentos em baixa rotação

Este trabalho concentra-se na aplicação de redes neurais convolucionais (CNNs) no diagnóstico de falhas em rolamentos de baixa rotação, uma área crucial para garantir a segurança e a eficiência, principalmente na indústria de mineração. A utilização do sinal de vibração apresenta desafios devido ao fato de os rolamentos de baixa rotação funcionarem sob cargas consideráveis e, ocasionalmente, em condições não estacionárias. Além do mais, devido a energia associada ao sinal da falha no rolamento ser fraca, o seu monitoramento é dificultado pela presença de ruídos provenientes de outras fontes que pode mascarar o sinal da falha. Portanto, ferramentas de processamento de sinal e algoritmos de aprendizado de máquina foram propostos para lidar com essas questões. Dentre as técnicas de aprendizado de máquina, os modelos de diagnósticos baseados em aprendizagem profunda se popularizaram nos últimos anos, principalmente o modelo de rede neural convolucional devido ao seu desempenho. Assim, neste trabalho é proposto a elaboração de um modelo de diagnóstico em rolamentos de baixa rotação, baseado em uma rede neural convolucional, onde os dados de entrada são sinais de vibração que posteriormente são transformados em uma imagem na escala de cinza, denominada de imagem de vibração, e, por fim, utilizado para o treinamento do modelo. Para o treinamento e validação do modelo foram usados sinais de vibração de rolamento de um misturador de granéis que opera com rotação de 50 rpm, sendo estes sinais coletados com os rolamentos saudáveis e, posteriormente, com rolamentos defeituosos com diferentes graus de severidade e com diferentes níveis de carregamento do maquinário. Após o treinamento do modelo é analisado a acurácia para a avaliar o desempenho e precisão do modelo proposto. Portanto, este trabalho visa criar uma ferramenta de diagnóstico automatizada para falha em rolamentos de baixa rotação com um elevado nível de acurácia, assim facilitando o monitoramento de maquinário que utiliza esses tipos rolamentos garantido a eficiência e segurança nos setores industriais. Como resultado, obteve-se dois modelos de diagnóstico automatizado de falha, um multiclasses e outro binário, onde obtiveram excelentes resultados.