Aplicação de rede neural artificial no processamento de sinais de vibração para detecção de anomalias mecânicas.

Abstract

O presente trabalho investiga a aplicação de técnicas de Inteligência Artificial para o aprimoramento da manutenção preditiva em sistemas rotativos, abordando a necessidade da Indústria 4.0 por diagnósticos automatizados e precisos. O problema de pesquisa concentra-se na limitação dos métodos convencionais de monitoramento de vibração, que muitas vezes detectam a anomalia, mas anomaliam em identificar sua causa raiz específica. O objetivo principal é desenvolver e validar um sistema integrado de baixo custo, capaz de classificar anomalias mecânicas em tempo real utilizando uma Rede Neural Recorrente do tipo Long Short-Term Memory (LSTM). A metodologia consistiu na instrumentação de uma bancada experimental do tipo viga engastada, equipada com acelerômetro e módulo de aquisição de dados, onde foram simuladas condições operacionais distintas, incluindo estado normal, desbalanceamentos por massa, folga mecânica e deslocamento estrutural. Desenvolveu-se um software proprietário em linguagem Python que unifica a coleta de dados e a inferência da rede neural, utilizando enjanelamento deslizante no domínio do tempo para processamento contínuo. Os resultados demonstraram que o modelo LSTM atingiu excelência na classificação das anomalias , superando a análise puramente estatística com uma acurácia de 100% em ambiente controlado. Adicionalmente, testes de robustez com injeção de ruído artificial (SNR de 15 dB) comprovaram a resiliência do algoritmo, que manteve uma acurácia global de 90%, sustentando a assertividade diagnóstica em anomalias críticas mesmo sob degradação severa do sinal. Conclui-se que a abordagem proposta oferece uma solução viável e eficiente para o monitoramento de condição, permitindo a identificação instantânea de anomalias incipientes e proporcionando maior confiabilidade à gestão de ativos industriais.