Diagnóstico de Falhas para Máquinas Rotativas Usando Múltiplos Sensores e Redes Neurais Convolucionais

Este artigo apresenta uma abordagem baseada em rede neural convolucional (CNN) para diagnóstico de falhas em máquinas rotativas. A abordagem proposta incorpora fusão de sensores, aproveitando a estrutura da CNN para alcançar uma maior precisão de diagnóstico, mais robusta. Tanto a informação temporal quanto espacial dos dados brutos de múltiplos sensores é considerada durante o processo de treinamento da CNN. Recursos representativos podem ser extraídos automaticamente dos sinais brutos. Isso evita a extração ou seleção manual de características, que depende fortemente do conhecimento prévio de máquinas específicas e tipos de falhas. A eficácia do método desenvolvido é avaliada utilizando conjuntos de dados de dois tipos de máquinas rotativas típicas, rolamentos de rolos e caixas de engrenagens. Comparado com abordagens tradicionais que utilizam extração manual de características, os resultados mostram o desempenho superior de diagnóstico do método proposto. A abordagem atual pode ser estendida para o diagnóstico de falhas de outras máquinas com vários tipos de sensores devido à sua capacidade de aprendizado de características de ponta a ponta.