Resumo: Máquinas rotativas são necessárias para a geração de energia, pois desempenham papéis vitais que se estendem desde a extração de recursos, como combustíveis, até a conversão de energia cinética da água e do fluxo de ar em eletricidade para consumo. No entanto, essas máquinas enfrentam diferentes tipos de falhas mecânicas que alteram a resposta de vibração do sistema, criando padrões conhecidos como assinaturas de falhas. Portanto, interpretar essas marcas de vibração com algoritmos de aprendizado de máquina leva à identificação adequada de falhas, melhorando o agendamento de manutenção e reduzindo o tempo de reparo e a quebra de maquinário. Esta pesquisa utiliza o modelo Light Gradient Boosting Machine (LightGBM) para identificar defeitos em rolamentos de esferas por meio de sinais de vibração. Os dados são extraídos do Repositório da Universidade de Paderborn e contêm amostras de uma máquina rotativa sujeita a três condições operacionais: saudável, com uma falha na pista interna e uma falha na pista externa. Uma técnica de reamostragem de dados baseada em frequências específicas de rolamentos é proposta para aprimorar as capacidades preditivas do LightGBM. Além disso, o algoritmo de otimização Bayesiana é usado para ajustar os hiperparâmetros do modelo e maximizar a acurácia e o recall Ver menos

Abstract: Rotating machines are necessary for power generation since they perform vital roles that extend from extracting resources, such as fuels, to converting kinetic energy from water and airflow into electricity for consumption. These machines, however, face different types of mechanical faults that alter the system vibration response, creating patterns known as fault signatures. Therefore, interpreting these vibration marks with machine learning algorithms leads to proper fault identification, improving maintenance scheduling, and reducing repair time and machinery breakage. This research uses the Light Gradient Boosting Machine (LightGBM) model to identify ball-bearing defects through vibration signals. The data is extracted from the Paderborn University Repository and contains samples of a rotating machine subject to three operational conditions: healthy, with an inner race, and an outer race fault. A data resampling technique based on specific rolling bearing frequencies is proposed to enhance LightGBM's predictive capabilities. Furthermore, the Bayesian optimization algorithm is used to fine-tune the model hyperparameters and maximize accuracy and recall Ver menos