Máquinas contendo partes rotativas têm papel indispensável na indústria. Manter essas máquinas operando perfeitamente em conformidade com suas especificações
funcionais, e sempre disponíveis para os turnos de trabalho em que forem necessárias é
de vital importância para se manter a produtividade nos níveis planejados e, finalmente,
a saúde do negócio. Os custos de manutenção impactam diretamente no custo de produção, afetando a lucratividade. Entre os problemas recorrentes causadores de defeitos,
o desbalanceamento é foco de especial atenção, por causar vibração mecânica, que
reduz a vida útil de componentes, e resulta em falhas por fadiga.
Este trabalho lança mão de duas abordagens para a avaliação da força causada
por desbalanceamento, fazendo uso de processamento dos sinais de vibração com algoritmo de aprendizagem de máquina para classificação, sistema cuja resposta é dada em
categorias, ou valores discretos e, regressão, sistema cuja resposta é dada em valores
numéricos em uma escala contínua. Posteriormente propõe e avalia dois métodos de
redução de dimensionalidade do espaço de características para otimização da fase de
treinamento da ferrramenta de aprendizagem de máquina, que são: Principal Features
Analysis, PFA e, Feature Importance Pareto Analysis, FIPA. Ao final o trabalho apresenta, ainda, uma análise de redução da quantidade de sensores. Todo esse estudo se
destina a dar suporte a procedimentos de manutenção preditiva.
A ferramenta de aprendizagem de máquina utilizada é o random forest que tem
se mostrado muito eficiente em estudos recentes quando comparado a outras técnicas
normalmente encontradas para esse tipo de problema, como RNA ou SVM.
O estudo elaborado com algoritmo de classificação atingiu uma acurácia média
global intraclasses de 93,33% após redução de dimensionalidade por FIPA de 31 características para 18, representando redução de 42% e, atingiu acurácia média global
intraclasses de 94,17% com redução por PFA, também de 31 para 18 características. O
algoritmo de regressão atigiu RMSE médio de 12,82 N em uma faixa de 365 N, ou 3,51%,
após redução de dimensionalidade por FIPA de 31 para 20 características e, RMSE médio de 13,01N, ou 3,56%, após redução por PFA, também, de 31 para 20 características.
O regressor, após análise por FIPA, sugere ainda redução na quantidade de sensores.