Uso de Machine Learning para Diagnóstico de Falhas em Máquinas de Navios e Plataformas Offshore

Por muitos anos e até os dias de hoje o diagnóstico de vibração de falhas em turbomáquinas tem sido feito por especialistas (pessoas) com base em espectros de vibração, nos quais a identificação de uma certa ordem (1X, 2X, etc) em relação às demais pode ser indicador de falhas como desalinhamento, desbalanceamento, folgas mecânicas, entre outras. O uso intensivo nos últimos anos de técnicas de Inteligência Artificial (IA), particularmente de algoritmos de Machine Learning (ML), oportuniza a obtenção de diagnóstico de falhas em máquinas rotativas baseado tanto em espectros de vibração (domínio da frequência) quanto em séries temporais medidas nas máquinas (domínio do tempo).

Nesse trabalho foi realizada uma análise de sinais adquiridos num período de 3 meses  de um grande compressor que opera numa refinaria de petróleo. Desde que o compressor estava em operação normal durante as medições, os sinais adquiridos representam a condição normal (sem falhas) de operação do equipamento. Esse conjunto de sinais compõe o Banco de Dados (BD) usado nos modelos de Machine Learning num problema típico de classificação.

O Banco de Dados foi composto de características extraídas das séries temporais e dos espectros adquiridos (valor máximo, fator de crista, variância, curtose, energia do sinal, entre outros). Após o pré-processamento dos dados, o que incluiu a extração e padronização de características e balanceamento de classes, os modelos de ML (Redes Neurais, Árvore de Decisão, KNN e SVM) foram treinados para apresentar os diagnósticos: máquina normal, máquina com falhas, assinalando o tipo de falha encontrado. No que se refere à divisão de dados em treinamento, teste e validação, os modelos foram submetidos às técnicas de K-Fold e Holdout.  Foram usadas as métricas de Precisão, Acurária, F1 Score e Recall e assim avaliados os modelos de melhores desempenhos. Finalmente o artigo discute o uso da técnica em máquinas de navios e plataformas offshore, o melhor uso de banco de dados e uso de técnicas de transfer learning.