Sistema de análise de dados de vibração com aprendizado de máquina para manutenção preditiva de máquinas elétricas

Abstract

A condição de uma máquina afeta a qualidade e eficiência do seu trabalho, e deixar um problema chegar em estado crítico resulta em consequências negativas, podendo causar a perda do equipamento e paradas extensas em uma fábrica. A manutenção de máquinas, portanto, é uma preocupação que passou a existir junto com a criação da indústria. O presente trabalho mostra o desenvolvimento de uma plataforma que se aproveita dos avanços recentes em tecnologia de sensoriamento e aprendizado de máquina para auxiliar no processo de manutenção preditiva, identificando problemas antes que falhas graves possam ocorrer. O sistema desenvolvido para tanto conta com um sistema supervisório e uma plataforma RESTful, que recebe dados de vibração de alta frequência, os armazena e analisa o funcionamento de uma máquina para classificar seu comportamento como normal ou anômalo, gerando alertas em caso de necessidade. Os resultados alcançados mostram que é apropriado o uso de aprendizado de máquina para monitoramento de máquinas, já que algoritmos bem estruturados conseguem detectar possíveis problemas antes que eles se tornem aparentes a humanos.

A machine’s condition affects the quality and efficiency of its byproduct and allowing a problem to get to a critical stage results in negative consequences, potentially causing the loss of equipment and long production breaks at a factory. Machine maintenance is a concern that has come into existence along with the creation of industry. This paper shows de development of a platform that utilizes recent advances in technology for sensors and machine learning to help in the predictive maintenance process, identifying problems before serious damage can occur. To this end, the developed system contains a supervisory system and RESTful platform, that receives high frequency vibration data, stores them and analyses a machine’s condition to classify its behavior as normal or anomalous, generating alerts if they’re needed. The results attained show that the use of machine learning is appropriate for machine monitoring, because well structured algorithms can detect possible problems before they are apparent to humans.