Predição do nível de vibração máximo de um redutor mecânico em uma janela de tempo futura.

Abstract

Este trabalho teve como objetivo a proposição de uma rede neural recorrente do tipo Long Short-Term Memory (LSTM) para a predição do valor máximo de vibração de um equipamento, em uma janela de tempo futura. Os dados utilizados neste trabalho correspondem aos níveis de vibração de um redutor mecânico de velocidade pertencente a uma empresa produtora de celulose. As funções Rolling e Shift da biblioteca Pandas foram utilizadas para o deslocamento da base de dados para um janela temporal em horas. Como métrica para avaliação e comparação do desempenho das diferentes configurações redes neurais LSTM testadas, utilizou-se o cálculo dos erros absoluto médio e quadrático médio. Como resultado, a configuração de rede LSTM que apresentou o melhor desempenho no processo de validação obteve um erro absoluto médio de 0,00409 e um erro quadrático médio de 0,00074, considerando uma janela temporal de 16 horas e que considera os 18 dados de nível global de vibração anteriores.