DETECÇÃO DE FALHAS EM PROCESSOS PRODUTIVOS UTILIZANDO SINAIS SONOROS E INTELIGÊNCIA ARTIFICIAL

Resumo

O presente estudo investigou a detecção e classificação de falhas em máquinas rotativas por meio da análise de sinais acústicos associada a algoritmos de Aprendizado de Máquina, tendo como justificativa a necessidade de aumentar a confiabilidade e reduzir custos de manutenção em ambientes industriais, uma vez que falhas em motores, bombas e compressores podem ocasionar prejuízos significativos e riscos à segurança. O objetivo geral consistiu em desenvolver sistema de manutenção preditiva capaz de identificar anomalias operacionais antes que estas levassem a paradas não planejadas. Para tanto, foram coletados sinais acústicos em condições normais e com dois tipos distintos de falha, organizados em formato tabular (CSV). Esses sinais foram submetidos ao processo de pré-processamento envolvendo normalização, segmentação e extração de características no domínio da frequência por meio da Transformada Rápida de Fourier (FFT), cujas magnitudes foram utilizadas como principais atributos de entrada para o modelo de classificação. O desenvolvimento metodológico contemplou a implementação de um classificador baseado em Florestas Aleatórias (Random Forest), configurado com 1000 estimadores, aplicado sobre conjunto de dados dividido em treinamento (70%), validação (15%) e teste (15%).