Detecção de Falhas em Rolamentos de Motor usando Descritores em Sub-Bandas e Modelos de Aprendizado de Baixo Custo Computacional

Este trabalho investiga a detecção de falhas em rolamentos de um motor elétrico, utilizando modelos de aprendizado de máquina de baixo custo computacional. Expandindo um estudo anterior, são incorporados descritores extraídos da banda completa e de sub-bandas de sinais de aceleração, velocidade e deslocamento, baseados na expertise técnica de analistas de sinais de vibração. A otimização individual dos detectores alcançou acurácias médias de 77,8% no rolamento do lado do acoplamento (DE) e de 84,2% no do lado oposto ao acoplamento (FE). Em relação ao trabalho anterior, o qual não impôs restrição mínima de especificidade nem removeu a componente contínua dos sinais de aceleração, esses resultados representam um ganho de 3,8 pontos percentuais no DE e uma redução de 7,8 pontos no FE. Na otimização conjunta, sob compartilhamento de modelo e descritores, as acurácias foram de 75,1% no DE e 77,8% no FE. Os resultados indicam que os descritores adicionados constituem um caminho promissor para a detecção eficiente de falhas em rolamentos, enquanto a degradação observada na otimização conjunta sugere uma capacidade de generalização moderada dos descritores para diferentes rolamentos de um mesmo motor.