Técnicas de machine learning para detecção de falhas em sistemas mecânicos rotativos

Abstract

Este estudo aborda a detecção de falhas em sistemas rotativos por meio de uma análise comparativa de três algoritmos de aprendizado de máquina: Redes Neurais Artificiais (RNA), Random Forest (RF) e XGBoost. O diferencial deste trabalho reside na robustez da metodologia aplicada, que abrange a extração de 29 features estatísticas nos domínios do tempo e da frequência, otimização sistemática de hiperparâmetros via Grid Search e validação rigorosa por meio de validação cruzada com 10 folds e conjunto de testes independente. Utilizando o conjunto de dados da Case Western Reserve University, coletado a uma taxa de amostragem de 48 kHz com falhas induzidas em elementos rolantes, pistas internas e externas, o estudo garantiu a confiabilidade e a generalização dos resultados. O foco principal foi o avanço metodológico, proporcionando uma comparação justa entre os modelos, o que possibilita sua aplicação em diferentes contextos industriais. O XGBoost destacou-se como o modelo com melhor desempenho, atingindo 95,2% de acurácia no conjunto de teste, com 92,5% de precisão e 95,5% de recall. Apesar disso, as contribuições deste trabalho vão além dos resultados individuais dos modelos, ao estabelecer uma abordagem sistemática para treinar, otimizar e avaliar algoritmos de aprendizado de máquina, assegurando a replicabilidade e a adaptabilidade dos métodos. O uso de parâmetros como média, variância, curtose e assimetria no domínio do tempo, além de métricas como frequência RMS e curtose espectral no domínio da frequência, permitiu identificar padrões sutis de falha. Por fim, esta pesquisa contribui significativamente para o avanço de estratégias de manutenção preditiva na Indústria 4.0, oferecendo uma metodologia robusta e generalizável que estabelece novos padrões para diagnósticos industriais baseados em aprendizado de máquina.

This study advances the field of fault detection in rotating mechanical systems by introducing a robust methodological framework for model training and evaluation, ensuring reliable generalization of results to diverse datasets. Three state-of-the-art machine learning algorithms—Artificial Neural Networks (ANNs), Random Forest (RF), and XGBoost—were rigorously analyzed using vibration data from defective bearings. The methodology involved the extraction of 29 statistical features from time and frequency domains, systematic hyperparameter optimization through Grid Search, and a comprehensive evaluation via 10-fold cross-validation combined with a separate test dataset. This framework guarantees fairness in comparisons and minimizes overfitting, enabling reliable performance assessments across different operational conditions. Data from the Case Western Reserve University dataset, sampled at 48 kHz, were used to capture faults induced in rolling elements, inner races, and outer races under controlled conditions. The results demonstrated that XGBoost achieved the best balance between accuracy (95.2%), precision (92.5%), and recall (95.5%), while Random Forest and Neural Networks also performed well, achieving accuracies of 93.2% and 94.1%, respectively. The proposed methodology goes beyond mere model comparison by emphasizing robust feature engineering, leveraging critical statistical parameters from time and frequency domains, and ensuring fair hyperparameter tuning through GridSearchCV. By addressing key challenges in the reproducibility and generalization of machine learning models, this study establishes a methodological benchmark for fault detection in rotating systems. The findings highlight not only the superior performance of XGBoost but also the reliability of the proposed framework in facilitating predictive maintenance within Industry 4.0. This research contributes significantly to the advancement of diagnostic tools by setting a new standard for the evaluation and generalization of machine learning algorithms in industrial applications.