APLICAÇÃO DE MACHINE LEARNING PARA DETECÇÃO DE FALHAS EM MÁQUINAS ROTATIVAS DE GERAÇÃO DE ENERGIA

Favoritar este trabalho
Como citar esse trabalho?
Detalhes
  • Tipo de apresentação: Trabalho
  • Eixo temático: TECNOLÓGICAS
  • Palavras chaves: machine learning; detecção de falhas; máquinas rotativas;
  • 1 Unicamp
  • 2 UNICAMP

APLICAÇÃO DE MACHINE LEARNING PARA DETECÇÃO DE FALHAS EM MÁQUINAS ROTATIVAS DE GERAÇÃO DE ENERGIA

LUÍS OTÁVIO GARAVASO

UNICAMP

Resumo

Máquinas rotativas são indispensáveis na geração energética, pois atuam desde a extração de recursos até a transformação em energia para o consumidor final. Componentes rotativos, no entanto, estão sujeitos a diversos tipos de falhas, como ovalização de mancais, desbalanceamento rotativo e empenamento de eixo, que alteram a vibração do sistema provocando padrões característicos, conhecidos por assinaturas de falha. Consequentemente, a interpretação dessas marcas na vibração de uma máquina pode permitir, com o uso de ferramentas adequadas, a identificação de falhas mecânicas no sistema. Dessa forma, os maquinários podem ser diagnosticados e operações de manutenção podem ser adequadamente programadas, reduzindo tanto o tempo de reparo quanto a taxa de falhas dos componentes. Uma das ferramentas que pode ser utilizada é o Machine Learning, um tipo de programação que, por meio de métodos matemáticos e uma quantidade expressiva de dados, supera as limitações da programação clássica. Essa pesquisa, então, visa combinar conhecimentos da engenharia mecânica com técnicas de Machine Learning para avaliar o desempenho em detecção de falhas mecânicas de três algoritmos amplamente utilizados nessa área de conhecimento: a Regressão Logística, o Support Vector Machines e as Redes Neurais Artificiais.

Apoio/Financiamento da Pesquisa: PIBIC/CNPq

Questões (2 tópicos)

Compartilhe suas ideias ou dúvidas com os autores!

Sabia que o maior estímulo no desenvolvimento científico e cultural é a curiosidade? Deixe seus questionamentos ou sugestões para o autor!

Faça login para interagir

Tem uma dúvida ou sugestão? Compartilhe seu feedback com os autores!

Autor

LUÍS OTÁVIO GARAVASO

Olá Marcelo !!
Muito obrigado pelo feedback.
Realmente houve um desacordo entre a sessão de Geração de Dados e a de Resultados e Discussão e, por isso, peço desculpas pela confusão.

Faixas de Treino entre 80% e 90% geralmente são as mais utilizadas em problemas de Machine Learning e isso deveria ter sido melhor explicado no texto.
Especificamente no nosso caso, ainda, acabamos fugindo um pouco da regra, pois é praticamente impossível o SVM convergir com datasets maiores que algumas centenas de milhares de amostras.
A Rede Neural por outro lado, lida muito bem com grandes conjuntos de dados e por isso fornecemos 630000 amostras (aproximadamente 90% do conjunto).

O que acho mais impressionante é o SVM atingindo resultados similares a uma Rede Neural com um dataset 40x menor !! 
Isso nos anima bastante, pois nem sempre teremos datasets grandes disponíveis para treinamento.

Espero que tenha esclarecido e peço desculpas novamente pela confusão.
Valeu demais !
Abração

Autor

LUÍS OTÁVIO GARAVASO

Oii Laís !! Muito obrigado pelo feedback !

Supondo que já exista um dataset, você geralmente vai separar entre 80% e 90% dos dados para treino. No entanto, mais importante que essas faixas bem definidas, você precisa que os conjuntos de treino e de teste tenham aproximadamente a mesma quantidade de condições saudáveis e de falha (chamamos isso de datasets balanceados). Ex. se tivermos 30000 amostras de falha e 70000 amostras saudáveis e separarmos 90% dos dados para treino, a distribuição final será:

  • Dados de Treino: 27000 amostras em falha e 63000 amostras saudáveis 
  • Dados de Teste: 3000 amostras em falha e 7000 amostras saudáveis 

Agora, em alguns casos você vai acabar fugindo da faixa de 80% à 90% para levar em consideração características dos algoritmos.
No caso do SVM, por exemplo, o algoritmo não converge se treinado com um dataset maior que algumas dezenas de milhares de amostras (por isso o número de 15000).
A Rede Neural, por outro lado, respeita a regra do "quanto mais melhor" , lidando muito bem com grandes conjuntos de dados e mostrando melhorias significativas com mais dados de treino.
No projeto, ainda, buscamos avaliar se grandes conjuntos de treino realmente eram necessários e, por sorte, o SVM atingiu resultados impressionantes com um dataset de treino 40x do aquele fornecido à rede neural.
Esse é um resultado que nos anima, pois sabemos que coletar dados reflete diretamente em custos nas operações reais !

Espero ter esclarecido as suas dúvidas !

Obrigado mais uma vez pelo feedback, abração.