Análise de atributos de sinais de vibração para o diagnóstico de falhas em rolamentos utilizando PCA e clustering hierárquico
| dc.contributor.advisor1 | BAYMA, Rafael Suzuki | |
| dc.contributor.advisor1Lattes | http://lattes.cnpq.br/6240525080111166 | |
| dc.creator | PIANO, Felipe Silveira | |
| dc.creator.Lattes | http://lattes.cnpq.br/2802598609086340 | |
| dc.date.accessioned | 2026-08-18T13:20:53Z | |
| dc.date.available | 2026-08-18T13:20:53Z | |
| dc.date.issued | 0026-07-24 | |
| dc.description.abstract | In industrial settings, achieving high equipment availability and reliability is essential to ensure operational continuity. Bearings are among the most common components in the rotating machinery of industrial plants. Consequently, monitoring the condition of these components has gained significant importance in recent decades, with predictive maintenance increasingly employing sophisticated techniques for bearing fault detection and diagnosis. Modern approaches involve analyzing vibration signals and classifying them using machine learning tools. Research in this field has largely focused on supervised learning methods. Therefore, this study aims to address research gaps regarding unsupervised learning approaches for analyzing these faults by employing Principal Component Analysis (PCA) and Hierarchical Clustering. The vibration signals analyzed are drawn from a publicly available dataset provided by Case Western Reserve University (CWRU). Initially, the signals are segmented into windows, and the following time-domain features are extracted for each window: Overall RMS Level, Crest Factor, K-Factor, Kurtosis, and Skewness. Boxplots, histograms, pairplots, and correlation matrices were generated based on these features. Subsequently, the features were standardized, and PCA was applied to minimize ambiguity and reduce data dimensionality. The first two principal components served as new features for Hierarchical Clustering. Finally, a dendrogram and a table tracking the classes present in each identified cluster were produced. The results demonstrate the feasibility of using unsupervised machine learning techniques to analyze features for bearing fault diagnosis. | |
| dc.description.resumo | Nas indústrias, é indispensável obter alta disponibilidade e confiabilidade dos equipamentos para garantir a continuidade operacional das plantas. Nesse contexto, os rolamentos são os componentes de maior ocorrência em máquinas rotativas de plantas industriais. Por isso, o monitoramento das condições desse componente cresceu significativamente nas últimas décadas, e a manutenção preditiva está utilizando técnicas cada vez mais sofisticadas para a detecção e diagnóstico de falhas em rolamentos. As abordagens modernas consistem na análise dos sinais de vibrações e sua classificação por ferramentas de Aprendizado de Máquina. As pesquisas nesse ramo se concentram em métodos de aprendizado supervisionado. Portanto, este trabalho busca contribuir com as lacunas de pesquisas em aprendizado não supervisionado para analisar essas falhas, utilizando as técnicas de Principal Component Analysis (PCA) e Clustering Hierárquico. Os sinais de vibração analisados fazem parte de um banco de dados disponibilizado publicamente, oferecido pela Case Western Reserve University- CWRU. Inicialmente, os sinais são janelados e são obtidos os seguintes atributos no domínio do tempo para cada janela: Nível Global RMS, Fator de Crista, Fator K, Curtose e Assimetria. Com esses atributos, foram elaborados os gráficos de boxplot, histograma, pairplot e matriz de correlação. Em seguida, os atributos são padronizados e é aplicado o PCA para diminuir as ambiguidades e reduzir a dimensionalidade dos dados. As duas primeiras componentes principais foram utilizadas como novos atributos para o Clustering Hierárquico. Por fim, foram elaborados o dendrograma e uma tabela rastreando as classes presentes em cada cluster encontrado. Os resultados demonstraram a viabilidade de se utilizar técnicas de Aprendizado de Máquina não supervisionado na análise de atributos para o diagnóstico de falhas em rolamentos. | |
| dc.identifier.citation | PIANO, Felipe Silveira. Análise de atributos de sinais de vibração para o diagnóstico de falhas em rolamentos utilizando PCA e clustering hierárquico. Orientador: Rafael Suzuki Bayma. 2026. 93 f. Trabalho de Curso (Bacharelado em Engenharia Elétrica) – Faculdade de Engenharia Elétrica, Campus Universitário de Tucuruí, Universidade Federal do Pará, Tucuruí, 2026. Disponível em: https://bdm.ufpa.br/handle/prefix/9961. Acesso em:. | |
| dc.identifier.uri | https://bdm.ufpa.br/handle/prefix/9961 | |
| dc.rights | Acesso Aberto | pt_BR |
| dc.rights.license | Attribution-NonCommercial-NoDerivs 3.0 Brazil | en |
| dc.rights.uri | http://creativecommons.org/licenses/by-nc-nd/3.0/br/ | |
| dc.source.uri | Disponível na internet via Sagitta | pt_BR |
| dc.subject | Diagnóstico de falhas | |
| dc.subject | Rolamentos | |
| dc.subject | Principal component analysis | |
| dc.subject | Clustering hierárquico | |
| dc.subject | Fault diagnosis | |
| dc.subject | Bearings | |
| dc.subject | Hierarchical clustering | |
| dc.subject.cnpq | CNPQ::ENGENHARIAS::ENGENHARIA ELETRICA::SISTEMAS ELETRICOS DE POTENCIA::MAQUINAS ELETRICAS E DISPOSITIVOS DE POTENCIA | |
| dc.subject.cnpq | CNPQ::CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO::METODOLOGIA E TECNICAS DA COMPUTACAO | |
| dc.title | Análise de atributos de sinais de vibração para o diagnóstico de falhas em rolamentos utilizando PCA e clustering hierárquico | |
| dc.type | Trabalho de Curso - Graduação - Monografia | pt_BR |