Classificação de rotores desequilibrados e curvados sob incerteza usando dispersão temporal de wavelet, LSTM e SVM

Um crescente interesse na detecção inteligente de falhas pode, às vezes, levar a problemas práticos quando falhas existentes revelam indicações análogas e o número de observações é limitado. Este artigo aborda o problema de classificação de duas falhas idênticas, ou seja, desequilíbrio e curvatura de eixo em máquinas rotativas, onde apenas 56 observações foram utilizadas para o treinamento. Os sistemas com falhas são modelados no ABAQUS/CAE; um conjunto de dados para cada falha é criado por simulação sob várias condições físicas e operacionais empregando o conceito de incerteza. A técnica de dispersão temporal de wavelet (WTS) extrai apresentações de baixa variância dos sinais. Com relação ao procedimento de classificação dos sistemas de rotores com falhas, dois modelos são examinados com os recursos extraídos do WTS como entrada. Inicialmente, uma rede de memória de longo prazo e curto prazo (LSTM) é treinada e testada, e então, a capacidade de um modelo de máquina de vetor de suporte (SVM) é investigada. Por fim, os modelos de classificação são treinados e testados usando os dados brutos da série temporal e os recursos extraídos para comparar a eficácia dos métodos sugeridos, ou seja, WTS. A abordagem empregada para a extração de recursos demonstrou uma eficácia notável em abordar um possível obstáculo na identificação de falhas em sistemas rotativos: a capacidade de diferenciar entre rotores desequilibrados e curvados, independentemente do modelo de classificação utilizado.