ANÁLISE DE REGRESSÃO BASEADO EM APRENDIZADO DE MÁQUINA PARA A CARACTERIZAÇÃO DA SEVERIDADE DE FALHAS EM MOTORES DIESEL

Abstract

Diesel engines used in industrial environments and ships are exposed to harsh conditions, making them even more prone to failures. As these equipment are the main source of energy for a ship, the maintenance cost of diesel engines can represent between 10% to 20% of the total value of the vessel. Therefore, it is vital to have a fault identification system that allows maintenance to be carried out efficiently and in a timely manner, avoiding damage to production, workers, and the ship itself. The complexity and sensitivity of diesel engines require a meticulous approach for early fault detection to prevent unplanned downtimes and reduce maintenance costs. Simulation provides a controlled environment to generate diverse datasets, covering various operational conditions and fault scenarios, which would be difficult to reproduce in real environments. Moreover, it allows for detailed capture of the system behavior, providing a solid basis for analyzing the characteristics and patterns associated with faults. This study aims to identify the following faults, as well as their severity, in diesel engines: normal operation, reduced pressure in the intake manifold, reduced compression rate in the cylinders, and reduced amount of fuel injected into the cylinders, to improve predictive maintenance. To achieve this, a fault simulation model was developed based on an analysis of pressure variations inside the cylinders and the torsional vibration response of the crankshaft. A database was built through the creation and validation of a digital twin of a 6-cylinder diesel engine, with the emulation of 3500 distinct fault scenarios, named 3500-DEFault. This fault signal database was made publicly available to the scientific community. The discrete Fourier transform was used based on the operational parameters of pressure, temperature, and vibration to estimate amplitude, half orders, and phase of the torsional vibration signals, as well as the statistical parameters of sample mean and maximum value of the pressure signals, aiming to extract features that served as input for machine learning techniques: Multilayer Perceptron (MLP), Random Forests (RF), Support Vector Machine (SVM), and Gaussian Process Regression Models (GPRM). These methods helped discriminate the operational condition of the machine and the severity of the associated fault. The best performance in adjusting the degree of severity associated with the fault was obtained with the GPRM regressor, with a root mean square error (RMSE) value of 0.015 ± 0.001%.

Os motores Diesel utilizados em ambientes industriais e navios estão expostos a condições agressivas, o que os torna ainda mais propensos a falhas. Como esses equipamentos são a principal fonte de energia de um navio, o custo de manutenção dos motores diesel pode representar entre 10% a 20% do valor total da embarcação. Portanto, é vital ter um sistema de identificação de falhas que permita realizar a manutenção de maneira eficiente e a tempo hábil, evitando dano à produção, aos trabalhadores e ao navio em si. A complexidade e a sensibilidade das máquinas diesel exigem uma abordagem meticulosa para a detecção precoce de falhas, a fim de evitar interrupções não planejadas e reduzir custos de manutenção. A simulação oferece um ambiente controlado para gerar conjuntos de dados diversificados, abrangendo várias condições operacionais e cenários de falhas, o que seria difícil de reproduzir em ambientes reais. Além disso, permite capturar detalhadamente o comportamento do sistema, fornecendo uma base sólida para a análise das características e padrões associados às falhas. Este estudo visa identificar as seguintes falhas, bem como a sua severidade em motores diesel: operação normal, redução de pressão no coletor de admissão, redução da taxa de compressão nos cilindros e redução da quantidade de combustível injetado nos cilindros, para auxiliar a manutenção preditiva. Para isso, foi desenvolvido um modelo de simulação de falhas baseado em uma análise das variações de pressão no interior dos cilindros e da resposta de vibração torcional da árvore de manivelas. Uma base de dados foi construída através da criação e validação de um gêmeo digital de um motor diesel de 6 cilindros, com a emulação de 3500 cenários distintos de falha, nomeada como 3500-DEFault e disponibilizada publicamente para a comunidade científica. Foi utilizada a transformada discreta de Fourier a partir dos parâmetros operacionais de pressão, temperatura e vibração, para estimar amplitude, meias ordens e fase dos sinais de vibração torcional, bem como os parâmetros estatísticos média amostral e valor máximo dos sinais de pressão, visando extrair características que serviram de entrada para as técnicas de aprendizado de máquina: Perceptron Multicamada (MLP), Random Forest (RF), Máquina de Vetores de Suporte (SVM) e Modelos de Regressão de Processo Gaussiano (GPRM). Esses métodos ajudaram a discriminar a condição operativa da máquina e a severidade da falha associada. O melhor desempenho de ajuste do grau de severidade associado à falha foi obtido com o regressor GPRM, com o valor da raiz do erro quadrático médio (RMSE) de 0,015 ± 0,001