Diagnóstico preditivo em máquinas elétricas : análise com classificadores e técnicas de sobreamostragem.

Abstract

As máquinas elétricas são amplamente empregadas em processos de produção industrial. Dessa forma é de suma importância que haja mecanismos que façam o diagnóstico de uma falha inicial, enquanto as máquinas ainda estão em operação, para evitar uma falha mais significativa. Dentre as funções operacionais e administrativas, a produção e a manutenção apresentam grande relevância, uma vez que os produtos ou serviços precisam ser entregues com qualidade no tempo solicitado. Assim, os diferentes tipos de manutenção possuem uma enorme importância estratégica que reflete diretamente a nível operacional e logístico de uma empresa. A manutenção preditiva visa reduzir o tempo fora de serviço, perdas na produção, quebra dos equipamentos e ainda garante uma operação produtiva confiável e consistente dos sistemas industriais. Essa prática se dá a partir da coleta, monitoramento e análise de diversos parâmetros dos equipamentos. Neste trabalho é realizada a análise de dados sintéticos de uma base de dados pública, considerando medições em máquinas elétricas de qualidade baixa, média e alta. Foram propostos e implementados sistemas de identificação das máquinas elétricas que apresentavam falhas. Foram empregadas cinco técnicas de balanceamento de amostras entre as classes ‘com falha’ e ‘sem falha’, sendo: SMOTE (Synthetic Minority Oversampling Technique), ADASYN (Adaptive Synthetic Sampling Method) e Borderline SMOTE, exclusão de amostras da classe majoritária e, por último, foi considerado o caso sem balanceamento de amostras entre as classes. Os resultados mostraram a importância do equilíbrio das amostras entre as classes de máquinas ‘com falha’ e ‘sem falha’ para projetar o sistema de classificação. Também foram configurados dois classificadores: classificador linear baseado no método dos mínimos quadrados e redes neurais do tipo Multilayer Perceptron (MLP). A combinação entre as abordagens de balanceamento (ou não) das classes e os classificadores gerou 9 cenários de testes. O melhor desempenho (96,49% de acurácia) foi obtido combinando a técnica de sobreamostragem Borderline SMOTE com a rede MLP.