Extração de regras de decisão analisáveis para o diagnóstico de falhas mecânicas em máquinas elétricas rotativas

Resumo

Diagnosticar com antecedência uma máquina gera benefícios tanto econômicos, quanto operacionais, principalmente em uma época em que o Brasil está sofrendo com uma grave crise hídrica, por isso realizar uma manutenção preditiva se torna cada vez mais importante e necessária. Este trabalho elabora uma metodologia para a criação de regras de decisão analisáveis para o diagnóstico de máquinas elétricas rotativas. As regras são alcançadas utilizando Árvores de Decisão (AD), de modo que se torna possível identificar se o motor está em condições normais de uso ou apresenta falhas de desbalanceamento ou desalinhamento. O estudo exposto permite ao engenheiro interpretar através de regras como o diagnóstico está ocorrendo. O banco de dados utilizado contem séries temporais multivariadas de falhas mecânicas simuladas de uma máquina de corrente contínua. Os dados, por serem extensos, necessitaram de um pré-processamento, por isso foi aplicado o Root Mean Square (RMS) para realizar a extração de característica. O treinamento do algoritmo é realizado dividindo o banco de dados em treino, validação e teste. Para a avaliação de desempenho são utilizados a acurácia, sensibilidade, precisão, matriz de confusão e o F-score. A AD depois de toda a etapa de treinamento conseguiu uma acurácia em torno de 96% e criou regras de decisão possíveis de serem analisadas, mostrando assim a aplicabilidade deste método neste tipo de problema.