DIAGNÓSTICO E MENSURAÇÃO DE SEVERIDADE DE FALHAS COMBINADAS FORMADAS POR DESBALANCEAMENTO E DESALINHAMENTO EM MÁQUINAS ROTATIVAS

Abstract

Rotating machines such as turbines, pumps, fans and compressors are widely used in industrial environments. These experience a extensive severe operating conditions which lead to mechanical failures. This thesis presents proposals for systems based on digital signal processing techniques and machine learning aiming to recognize faults and measure their severities in rotating machines. The first research contribution was the recording of two vibration signals datasets, which present single and combined faults constituted by parallel misalignment and imbalance considering different rotation speeds. A supervisory system for diagnosing and measuring the severity of failures was then developed. In order to do so, the performance of 3 classifiers were evaluated and the fault severity profiles were analyzed. Furthermore, a hybrid method for data augmentation was also proposed. This approach combines the Synthetic Minority Oversampling Technique (SMOTE) and Additive White Gaussian Noise (AWGN) technique to overcome the problem of diagnosis in imba- lanced classes elements. The hybrid method allowed for the development of classification models with greater generalization capability. Amongst the models developed the one that exhibited the best performance was the Stacked Sparse Autoencoder (SSAE), which was able to achieve 100% accuracy in the identification of 4 different machine operation scenarios. In addition, a novel sinusoidal analysis was also applied to perform feature ex- traction in vibration signals. In order to evaluate the effectiveness of this technique, 4 classifiers were used together with two feature selection techniques. The most effective classifier was the random forest (RF) when used alongside with the Out Of Bag Feature Importance (OOBFI) technique. This combination was able to reach an 86.35% accuracy when classifying 7 different scenarios of equipment operation. A combined fault decomposition method, respectively Improved Variational Mode Decomposition (IVMD), was also proposed to be used in faults composed of imbalance associated with horizontal and vertical parallel misalignment. This technique demonstrated better performance than the Empirical Mode Decomposition (EMD) and Variational Mode Decomposition (VMD) techniques, showing an error in severities of 11.34 mm/s for imbalance and 3.48 mm/s for vertical misalignment. Furthermore, the classification effectiveness of 4 algorithms was analyzed. The use of features extracted in the time/frequency domain together in conjunction with the support vector machine classifier (SVM) was able to reach a 95.43% accuracy for classifying 7 scenarios of machine operation.Máquinas rotativas, como turbinas, bombas, ventiladores e compressores, são amplamente empregadas em ambientes industriais. Estas são submetidas a uma ampla gama de condições operacionais severas, as quais acarretam falhas mecânicas. Esta tese apresenta propostas de sistemas baseados em técnicas de processamento digital de sinais e inteligência artificial visando prover o reconhecimento de falhas em máquinas rotativas e a mensuração de suas severidades. A primeira contribuição desta pesquisa foi a gravação de duas bases de dados de sinais de vibração, as quais apresentam falhas simples e combinadas constituídas por condições de desalinhamento paralelo e desbalanceamento, considerando diversas velocidades de rotação da máquina. Um sistema supervisório para o diagnóstico e mensuração da severidade de falhas foi desenvolvido. Para isso, foram avaliados os desempenhos de 3 classificadores e foram analisados os perfis de severidade das falhas. Além disso, foi proposto um método híbrido para aumento de dados. Esta abordagem combina as técnicas Synthetic Minority Oversampling Technique (SMOTE) e Additive White Gaussian Noise (AWGN) para superar o problema de diagnóstico em classes com instâncias desbalanceadas. A técnica híbrida possibilitou a criação de modelos de classificação com maior capacidade de generalização. Dentre estes o que apresentou o melhor desempenho foi classificador Stacked Sparse Autoencoder (SSAE) com uma acurácia de 100% na identificação de 4 cenários diferentes de operação da máquina. Ademais, a análise senoidal foi aplicada com a finalidade de extrair características em sinais de vibração. A fim de avaliar a efetividade desta técnica foram usados 4 classificadores em conjunto com as técnicas de seleção de características. O classificador mais efetivo foi o random forest usado em conjunto com a técnica Out Of Bag Feature Importance (OOBFI). Esta combinação alcançou uma acurácia de 86,35% para classificação de 7 cenários distintos de funcionamento do equipamento. Também foi proposto um método de decomposição de falhas combinadas para ser usado em falhas compostas por desbalanceamento associadas a desalinhamento paralelo horizontal e vertical. A técnica Improved Variational Mode Decomposition (IVMD) apresentada nesta tese apresentou melhor desempenho do que as técnicas Empirical Mode Decomposition (EMD) e Variational Mode Decomposition (VMD), apresentando um erro nas severidades de 11,34 mm/s para desbalanceamento e 3,48 mm/s para desalinhamento vertical. Ademais, foram analisadas as efetividades de classificação de 4 algoritmos distintos. O emprego de características extraídas no domínio do tempo/frequência junto com o algoritmo de classificação máquina de vetores de suporte alcançou 95,43% de acurácia para classificação de 7 cenários de funcionamento da máquina.