DETECÇÃO DE FALHAS EM ROLAMENTOS VIA REDES NEURAIS CONVOLUCIONAIS USANDO ACELERÔMETROS MEMS DE BAIXO CUSTO

Resumo

O estudo foca na detecção de falhas em rolamentos em ambientes industriais, que são cruciais para o desempenho e a confiabilidade dos equipamentos. A utilização de acelerômetros comerciais para a aquisição de sinais de falhas é cara, o que limita sua implementação em equipamentos em série. As redes neurais convolucionais (CNN) surgiram como um método promissor para detecção de falhas, mas esse método não funciona bem com dados unidimensionais. Para resolver esse problema, o estudo propõe a avaliação de dois acelerômetros de sistemas microeletromecânicos (MEMS) de baixo custo para obter sinais de vibração e convertê-los em imagens 2D para análise por CNN. Uma plataforma experimental foi construída, conectando os acelerômetros MPU6050 e ADXL345 a rolamentos em condições normais e com falhas. Imagens das assinaturas de vibração foram inseridas nas CNN com dimensões de 16x16, 22x22 e 28x28 para avaliar seu impacto na precisão. Os resultados mostraram que o algoritmo proposto alcançou alta precisão: para o MPU6050, 97,31% de precisão com imagens 16x16, 96,95% com 22x22 e 98,92% com 28x28; para o ADXL345, 98,31% com imagens 16x16, 99,70% com 22x22 e 99,82% com 28x28. Este trabalho demonstra a eficácia dos acelerômetros de baixo custo e da conversão de imagens 2D para melhorar a detecção de falhas em rolamentos.