TCC: Análise de sinais para classificação de defeitos e falhas em rolamentos usando CNNs

Em 2023, concluí minha graduação em Engenharia de Controle e Automação na Universidade Federal de Santa Catarina (UFSC). No último semestre de graduação, é realizado um Trabalho de Conclusão de Curso, onde colocamos em prática o que aprendemos no escopo de um projeto laboratorial ou industrial.

Trabalhando dentro do Grupo de Pesquisa em Aprendizado de Máquina e Aplicações (GAMA) em parceria com a empresa Dynamox e sob a orientação do Prof. Danilo Silva, elaborei esse trabalho, cobrindo uma parte das pesquisas em andamento no tema de aprendizado profundo para diagnóstico de falhas em rolamentos. O nome completo do trabalho é “Análise de transformações bidimensionais de sinais de vibração para classificação de defeitos e falhas em rolamentos usando Redes Neurais Convolucionais”.

Neste trabalho, trabalhou-se com os dados disponibilizados online do Case Western Reserve University Bearing Fault Dataset, e foi implementada uma nova abordagem de avaliação garantindo uma maior robustez e diversidade nos conjuntos de treinamento. Uma das inovações exploradas foi o uso de diferentes representações visuais do sinal captado pelos sensores, que nos permitem usar a arquitetura ResNet de classificação de imagens para diagnosticar possíveis falhas. O uso do cepstrograma em conjunto com a ResNet demonstrou um desempenho de classificação significativamente superior ao estado da arte atual.

Palavras-chave: Falha de rolamento. Manutenção Preditiva. Aprendizado profundo.