| Resumo : |
Este trabalho apresenta uma análise comparativa do desempenho de diferentes métodos de aprendizado de máquina para a classificação de defeitos em máquinas rotativas usando como entrada uma imagem das características extraídas. O método proposto para o diagnóstico dos defeitos inclui as seguintes etapas. Primeiramente, as órbitas de vibração, formadas pelos deslocamentos transversais de pontos do rotor previamente escolhidos em duas direções ortogonais, são coletadas durante a partida da máquina rotativa. Em seguida, esses sinais são transformados em uma série de espectros no domínio da frequência e são posicionados em ordem crescente da velocidade de rotação para computar o full spectrum cascade e a sua imagem associada. Por fim, são aplicadas diferentes técnicas de redução de dimensionalidade e classificação de imagem. Os classificadores propostos neste trabalho foram treinados com dados simulados, e testados tanto com dados simulados quanto experimentais. Os dados experimentais foram obtidos através de um sistema rotativo experimental de laboratório. Para geração dos dados simulados, foi desenvolvido um modelo de elementos finitos do sistema rotativo experimental. Dados de vibração do sistema rotativo na presença de diferentes tipos de defeitos (desbalanceamento, desalinhamento, trinca transversal no eixo, roçamento do rotor e instabilidade hidrodinâmica) foram usados para treinamento e teste de vários métodos de classificação. Os seguintes métodos de classificação foram avaliados e comparados usando a acurácia e o tempo de treinamento como critério de desempenho e de custo computacional: análise discriminante quadrática, árvore de decisão, rede neural convolucional, k-vizinhos mais próximos, quantização vetorial por aprendizado, naive Bayes, autocodificador empilhado e máquinas de vetores de suporte. Esses métodos de classificação foram combinados com métodos de redução de dimensionalidade e métodos baseados em sistemas de múltiplos classificadores ou ensembles. Os resultados mostram que o método com melhor desempenho foi aquele baseado no algoritmo da rede neural convolucional para classificação dos defeitos, apresentando, contudo, considerável custo computacional para o processo de treinamento. Também pôde ser observado que, embora com desempenho inferior, o método de classificação com uma etapa prévia de redução da dimensionalidade baseada em análise de componentes principais, seguida do algoritmo k-vizinhos mais próximos, apresentou desempenho satisfatório com custo computacional muito menor. |