Orientador: Eurípedes Guilherme de Oliveira Nóbrega

Dissertação (mestrado) - Universidade Estadual de Campinas, Faculdade de Engenharia Mecânica

Resumo: Modelos baseados no reconhecimento de padrões estatísticos dos sinais de vibração têm sido investigados nos últimos anos visando o monitoramento de estruturas e de máquinas rotativas. Este estudo propõe uma metodologia de análise de vibrações para sistemas mecânicos de um modo geral, baseada...

Resumo: Modelos baseados no reconhecimento de padrões estatísticos dos sinais de vibração têm sido investigados nos últimos anos visando o monitoramento de estruturas e de máquinas rotativas. Este estudo propõe uma metodologia de análise de vibrações para sistemas mecânicos de um modo geral, baseada em indicadores estatísticos e algoritmos de Aprendizado de Máquina, por meio de extração e análise de atributos, objetivando a detecção de falhas, incluindo diagnóstico e localização. A metodologia proposta foi inicialmente aplicada ao diagnóstico de uma máquina rotativa e posteriormente à localização de falhas, baseada em ondas de Lamb, em uma estrutura anisotrópica, que apresenta maior grau de dificuldade. Os sinais foram coletados por sensores de vibração fixados nestes sistemas mecânicos. Na fase de pré-processamento, os indicadores estatísticos dos sinais são calculados, normalizados e selecionados a fim de constituir agrupamentos em um hiperplano. Cada grupo e respectivo centroide são definidos através de um algoritmo de Aprendizado de Máquina não supervisionado, correspondendo assim a modelos orientados por dados que representam o comportamento normal e atípico do sistema monitorado. Durante a aplicação dos modelos, as distâncias dos sinais adquiridos para os seus respectivos centroides são então calculadas, de forma a detectar as eventuais anomalias causadas por falhas, através de um classificador treinado de modo supervisionado e de um algoritmo baseado em distâncias. A metodologia é primeiro aplicada ao conjunto de dados da máquina rotativa da Case Western Reserve University e em seguida, na análise experimental da propagação das ondas de Lamb em uma estrutura anisotrópica flexível. Para a máquina rotativa, foi desenvolvido um algoritmo baseado no critério da mínima distância, utilizando a distância euclidiana, para fazer a classificação dos dados. Comparando os resultados obtidos com trabalhos publicados recentemente, o método proposto apresentou melhor desempenho com acurácia média de 99,72%. No caso da estrutura complexa anisotrópica, uma rede neural foi adotada para localizar as falhas, o que também levou à alta acurácia média de 99,55%, compatíveis com os melhores resultados encontrados em publicações recentes. A análise dos indicadores estatísticos dos sinais de vibração, realizada através de diagramas, permite selecionar os indicadores que melhor caracterizam os estados do sistema, além disso, esses diagramas indicam o grau de dificuldade do processo de classificação, que é uma informação útil para a seleção do algoritmo classificador adequado. A utilização da metodologia proposta permite esperar aplicações bem-sucedidas no monitoramento de sistemas mecânicos complexos

Abstract: Models based on statistical pattern recognition of vibration signals have been investigated in recent years aiming structural and rotating machinery monitoring. This study proposes a vibration analysis methodology for mechanical systems in general, based on statistical indicators and...

Abstract: Models based on statistical pattern recognition of vibration signals have been investigated in recent years aiming structural and rotating machinery monitoring. This study proposes a vibration analysis methodology for mechanical systems in general, based on statistical indicators and Machine Learning algorithms, through attribute extraction and analysis, aiming fault detection, diagnosis and localization. To evaluate the proposed methodology, it was initially applied to the diagnosis of a rotating machine and then to fault location, based on Lamb waves, in an anisotropic structure, which has a high degree of difficulty. The signals were collected from vibration sensors attached to these mechanical systems. In the preprocessing phase, the statistical indicators of the signals are calculated, normalized, and selected in order to constitute clusters in a hyperplane. Each cluster and respective centroids are defined through an unsupervised Machine Learning algorithm, corresponding to data-oriented models that represent the normal and the damaged behavior of the monitored system. During application of the models, the calculated distances from the signals to their respective centroids are calculated, in order to detect eventual anomalies caused by faults, using a supervised trained classifier and a distance-based algorithm. The methodology is first applied to the Case Western Reserve University rotating machine dataset and then on the experimental analysis of Lamb wave propagation in a flexible structure. For the rotating machine, an algorithm based on minimum distance criteria, using euclidean distance, was developed for data classification. Comparing the results obtained with recently published works, the proposed methodology performed better with average accuracy of 99,72%. In the case of the complex anisotropic structure, a neural network was adopted to locate the faults, achieving the high average accuracy of 99,55%, which is compatible with the best results found in recent publications. The statistical indicators analysis of vibration signals, carried out through diagrams, allows selecting the indicators that best characterize the states of the system, in addition, these diagrams indicate the difficulty degree of the classification process, which is a useful information for selection of the proper classifier algorithm. As such, the use of the proposed methodology allows to expect successful applications in monitoring complex mechanical systems

Requisitos do sistema: Software para leitura de arquivo em PDF