UMA ABORDAGEM BASEADA EM APRENDIZADO DE MÁQUINA E DESCRITORES ESTATÍSTICOS PARA O DIAGNÓSTICO DE FALHAS EM ROLAMENTOS DE MÁQUINAS ROTATIVAS
Esse trabalho faz uma análise do desempenho dos classificadores k-Nearest Neighbor, Support Vector Machine, Decision Tree e Random Forest, para a classificação de falhas em rolamentos de máquinas elétricas rotativas a partir de sinais de vibração coletados em diferentes condições de operação, isto é, condição de funcionamento normal e com a introdução de diversas condições de falhas simuladas artificialmente. Os descritores utilizados para a construção dos modelos foram extraídos dos sinais de vibração, a partir de parâmetros estatísticos no domínio do tempo. O conjunto de dados utilizados nos testes foi o CWRU Bearing Dataset, e os resultados mostram que os descritores estatísticos apresentam boa separabilidade das classes favorecendo o desempenho dos modelos de classificação, que obtiveram taxas superiores a 99% de acurácia com os classificadores implementados pelos algoritmos Decision Tree e Random Forest.
UMA ABORDAGEM BASEADA EM APRENDIZADO DE MÁQUINA E DESCRITORES ESTATÍSTICOS PARA O DIAGNÓSTICO DE FALHAS EM ROLAMENTOS DE MÁQUINAS ROTATIVAS
-
DOI: 10.22533/at.ed.13821130528
-
Palavras-chave: diagnóstico de falhas em rolamentos; descritores estatísticos; extração de características; random forest, cwru data set
-
Keywords: bearing failure diagnosis; statistical descriptors; feature extraction; random forest; cwru data set
-
Abstract:
This work analyzes the performance of the k-Nearest Neighbor, Support Vector Machine, Decision Tree and Random Forest classifiers, when used to classify bearing failures in rotating electrical machines based on vibration signals collected in different operating conditions, that is, normal operating condition and after the introduction of several artificially simulated failure conditions. The descriptors used to construct the models were extracted from the vibration signals applying statistical parameters in the time domain. The data set used in the tests was the CWRU Bearing Dataset, and the results show that the statistical descriptors present good class separability, favoring the performance of the classification models, which obtained classification rates greater than 99% with the classifiers implemented by the Decision Tree and Random Forest algorithms.
-
Número de páginas: 15
- Luiz Alberto Pinto
- Diego Assereuy Lobão
- LUCAS DE OLIVEIRA SOARES
