Identificação de defeitos em máquinas rotativas utilizando modelo composto de LSTM e floresta aleatória

Abstract

Resumo: O aprendizado de máquinas está revolucionando os processos industriais e vem incentivando a otimização em seus mais diversos setores, como o setor de fabricação com o processo de manutenção preditiva. Com o aprendizado de máquina, é possível prever defeitos e falhas em máquinas rotativas antes de elas causarem danos graves às máquinas e, assim, reduzir os custos de operação, aumentar a segurança, a eficiência e prolongar a vida útil dos equipamentos. Este trabalho aplicou técnicas de aprendizado de máquina para prever o comportamento futuro de máquinas rotativas e detectar defeitos de desbalanceamento e desalinhamento com antecedência utilizando modelos de Long-Short Term Memory (LSTM) e floresta aleatória. Os dados de treino foram coletados a partir de uma bateria de experimentos utilizando um aparato experimental composto por um acelerômetro triaxial, um módulo de aquisição de sinais, pesos para simulação de desbalanceamento e sistema de máquina rotativa. Um dos diferenciais desse projeto foi o método de data augmentation a partir da geração de dados sintéticos, o que possibilita a previsão do comportamento da máquina para estados intermediários de falhas. Esses dados foram gerados a partir da interpolação dos dados obtidos em laboratório, combinando linearmente no tempo 2 ou mais dados de diferentes estados de máquinas, para simular a transição entre 2 estados da máquina. Foram obtidos um total de 2750 experimentos diferentes (891 laboratoriais e 1.849 gerados sinteticamente), capazes de abranger os estados mais comuns de funcionamento de uma máquina rotativa, além de conter as informações de velocidade de rotação, estado de falha e posição do sensor. Foram utilizados janelamentos e extração de parâmetros para gerar os dados finais de treinamento da rede neural de LSTM utilizada por ser capaz de prever o comportamento futuro da máquina, retornando um valor numérico para cada série de parâmetros, que foram processados por duas redes, uma de classificação e outra de regressão, para a análise de presença de falhas. Para a escolha dos modelos finais de classificação e regressão, foram testados diversos métodos diferentes, são eles K-nearest neighbors (KNN), floresta aleatória, support vector machine (SVC) e artificial neural network (ANN). O modelo mais eficiente foi combinado com o modelo LSTM para formar o modelo final. Ele foi capaz de identificar corretamente o estado da máquina no futuro em 86,92% das vezes, e com erros que podem ser considerados desprezíveis: 0,202° para o ângulo de desalinhamento e 0,207% do peso da máquina em desbalanceamento.

Abstract: Machine learning is revolutionizing industrial processes and driving optimization in various sectors, such as the manufacturing sector with predictive maintenance processes. With machine learning, it is possible to predict faults and failures in rotating machinery before they cause significant damage, thus reducing operating costs, increasing safety, efficiency, and extending the equipment’s lifespan. This work applied machine learning techniques to predict the future behavior of rotating machinery and detect imbalance and misalignment defects in advance using Long-Short Term Memory (LSTM) models and Random Forests. Training data was collected from a series of experiments using an experimental setup composed of a triaxial accelerometer and a rotating machine system. One of the differentiating aspects of this project was the generation of synthetic data, which enables the prediction of machine behavior for intermediate fault states. These data were generated by interpolating laboratory data, linearly combining in time two or more data points from different machine states to simulate the transition between them. A total of 2750 different experiments (891 laboratory-based and 1,849 synthetically generated) were obtained, covering the most common operating states of a rotating machine, and including information on rotation speed, failure state, and sensor position. Windowing and parameter extraction were used to generate the final training data for the LSTM neural network. The LSTM network was employed for its ability to predict the machine’s future behavior, returning a numerical value for each series of parameters. These were processed by two networks, one for classification and another for regression, to analyze the presence of faults. For the selection of the final classification and regression models, various methods were tested, including K-nearest neighbors (KNN), random forest, support vector machine (SVC), and artificial neural network (ANN). The most efficient model was combined with the LSTM model to form the final model. It was able to correctly identify the machine’s future state 86.92% of the time, with negligible errors: 0.202° for the misalignment angle and 0.207% of the machine’s weight in imbalance.