Arquitetura de aprendizado profundo para o diagnóstico antecipado de defeitos em máquinas rotativas com implementação em tempo real

Abstract

Resumo: Máquinas rotativas desempenham um papel essencial em diversos setores industriais, especialmente na indústria de petróleo e gás, onde falhas em componentes como bombas, motores e turbinas podem gerar perdas operacionais significativas. Nesse contexto, a manutenção preditiva baseada em aprendizado de máquina possibilita antecipar falhas e quantificar a severidade dos defeitos. Este trabalho propõe um sistema de monitoramento preditivo para o diagnóstico de desbalanceamento, desalinhamento e defeitos combinados em máquinas rotativas, com foco na modelagem da evolução temporal e na estimativa da intensidade dos defeitos. A metodologia inicia-se com a aquisição de sinais de vibração brutos em uma bancada experimental instrumentada com acelerômetros triaxiais, operando em diferentes regimes de rotação. Os dados experimentais são posteriormente expandidos por meio de um processo de geração de dados sintéticos baseado em interpolação linear e janelamento trapezoidal, permitindo simular a transição progressiva entre estados normais e de defeito, preservando as características físicas dos sinais e ampliando a variabilidade do conjunto de dados.A arquitetura proposta integra duas abordagens complementares. Inicialmente, redes neurais recorrentes (RNN), especificamente modelos LSTM e GRU, são utilizadas para capturar dependências temporais e prever o comportamento futuro do sinal a partir de janelas deslizantes de 250 amostras, com horizonte de previsão de 10%. Em seguida, uma rede neural convolucional (CNN) é empregada para estimar a intensidade dos defeitos diretamente a partir dos sinais de vibração, eliminando a necessidade de extração manual de características. Os valores alvo são definidos com base na intensidade máxima observada em cada janela temporal, permitindo associar padrões do sinal à magnitude física dos defeitos. Os resultados experimentais demonstram que a abordagem baseada em CNN supera modelos clássicos de aprendizado de máquina em regimes de rotação não observados durante o treinamento, alcançando erro absoluto médio (MAE) de 0,09 mm para desalinhamento e 2,39 g para desbalanceamento. Adicionalmente, a estratégia de preenchimento com zeros contribui para a consistência da estimativa de severidade. Embora as RNNs sejam eficazes na modelagem da dinâmica temporal, seu custo computacional limita a aplicação em tempo real. Para viabilizar a aplicação industrial, os modelos foram implementados em um Raspberry Pi 3 utilizando TensorFlow Lite. A CNN apresentou latência de 16,76 ms, atendendo aos requisitos de tempo real, enquanto as RNNs apresentaram latência superior a 185 ms, tornando se inviáveis nesse contexto. O sistema proposto permite antecipar o diagnóstico de falhas em até 66% do horizonte temporal, utilizando apenas 80% do sinal disponível. Os resultados evidenciam a viabilidade da integração entre geração de dados sintéticos, modelagem temporal e arquiteturas convolucionais para aplicações em manutenção preditiva, especialmente em cenários com restrições computacionais

Abstract: Rotating machinery plays a critical role across multiple industrial sectors, particularly in the oil and gas industry, where failures in components such as pumps, motors, and turbines can lead to significant operational losses. In this context, predictive maintenance based on machine learning enables the anticipation of faults and the quantification of defect severity. This work proposes a predictive monitoring system for the diagnosis of unbalance, misalignment, and combined faults in rotating machines, with a focus on modeling temporal evolution and estimating fault intensity. The methodology begins with the acquisition of raw vibration signals from a laboratory test bench instrumented with triaxial accelerometers operating under different rotational speeds. The experimental data are subsequently expanded through a synthetic data generation process based on linear interpolation and trapezoidal windowing, enabling the simulation of progressive transitions between normal and faulty states while preserving the physical characteristics of the signals and increasing dataset variability. The proposed architecture integrates two complementary approaches. First, recurrent neural networks (RNNs), specifically LSTM and GRU models, are employed to capture temporal dependencies and predict future signal behavior using sliding windows of 250 samples with a prediction horizon of 10%. Next, a convolutional neural network (CNN) is used to estimate fault intensity directly from vibration signals, eliminating the need for manual feature extraction. Target values are defined based on the maximum intensity observed within each temporal window, allowing the model to associate signal patterns with the physical magnitude of the defects.Experimental results demonstrate that the CNN-based approach outperforms classical machine learning models in rotational regimes not observed during training, achieving a mean absolute error (MAE) of 0.09 mm for misalignment and 2.39 g for unbalance. Additionally, the zero padding strategy improves the consistency of severity estimation. While RNNs are effective in capturing temporal dynamics, their computational cost limits real-time applicability. To enable industrial deployment, the models were implemented on a Raspberry Pi 3 using TensorFlow Lite. The CNN achieved a latency of 16.76 ms, meeting real-time requirements, whereas RNN models exceeded 185 ms, making them unsuitable for embedded applications. The proposed system enables fault anticipation up to 66% of the temporal horizon using only 80% of the available signal. The results highlight the feasibility of integrating synthetic data generation, temporal modeling, and convolutional architectures for predictive maintenance applications, particularly in scenarios with limited computational resources