Resumo: A aplicação de aprendizado de máquina ganhou muita atenção nos últimos anos, em diversos campos. Na indústria, abriu uma ampla gama de possibilidades para monitorar, identificar e prever a integridade dos componentes. Rolamentos de elementos rolantes são utilizados em uma ampla variedade de aplicações, e prever suas condições é necessário para prevenir falhas catastróficas e interrupções desnecessárias na produção. Para enfrentar esse desafio, os algoritmos e a capacidade computacional tiveram que melhorar, e agora o requisito crítico é a boa qualidade e quantidade adequada de informações sobre falhas reais. Nesse contexto, o presente trabalho propõe criar um conjunto de dados de falhas em rolamentos esferas com sinais simulados. Para construir modelos computacionais confiáveis, o rolamento é modelado por sua força de reação, e seus parâmetros representam o contato elastohidrodinâmico entre os elementos esféricos e as pistas internas. A falha é representada como um deslocamento e uma velocidade impostos nas localizações determinadas, e uma função suave é proposta para incluir várias falhas no modelo. O envelope do sinal de vibração simulada é obtido pela transformada de Hilbert e seu espectro compõe o conjunto de dados de treinamento. Para extrair as informações necessárias do espectro do envelope e torná-las comparáveis a outros sinais medidos, foi necessário avaliar o espectro por partes e garantir a reprodutibilidade do procedimento em todas as amostras. É proposto uma linha de processos com um codificador que extrai características do espectro do envelope das amostras e as aplica para construir um modelo de aprendizado de máquina. Um algoritmo de máquina de vetores de suporte é o classificador empregado devido às suas vantagens em desempenho em alta dimensão de características e boa capacidade de generalização. O modelo de rolamentos de contato elastohidrodinâmico com as funções de falha propostas é comparado com experimentos na literatura. Os modelos de aprendizado de máquina são testados com o conjunto de dados de rolamentos com falhas de vida acelerada da Universidade de Paderborn, e os resultados mostram uma previsão compatível com o sinal de falha real medido, com potencial para ser aplicado na classificação de falhas em futuras aplicações Ver menos

Abstract: In recent years, machine learning applications have gained much attention in numerous fields. In the industry, it opened a wide range of possibilities to monitor, identify, and predict components health status. Rolling element bearings are present in a wide range of applications and to predict their conditions it is necessary to prevent catastrophic failures and unnecessary production interruption. To tackle this, algorithms and computational capability had to improve, and the critical requirement is good quality and proper quantity of fault information. In this context, the present work proposes to create a rolling element bearing fault data set, with the simulated signal. To build reliable computational models, the rolling bearing is modeled by its reaction force, and its parameters represent the elastohydrodynamic contact between ball elements and internal races. The fault is represented as an imposed displacement and velocity in the established locations, and a smooth function is proposed to include varied faults in the model. The simulated vibration envelope is obtained by the Hilbert transform and its spectrum composes the training data set. To extract necessary information from the envelope spectrum and make this comparable to other measured signals, it was necessary to evaluate the spectrum by pieces and guarantee the reproducibility of the procedure in all samples. A pipeline with an encoder that extracts features from the sample envelope spectrum and applies it to build a machine learning model is proposed. A support vector machine algorithm is the classifier employed due to its advantages in high feature dimension performance and good generalization capability. The elastohydrodynamic contact ball bearings model with the proposed fault functions are compared with experiments in the literature. The machine learning models are tested with the Paderborn University accelerated life damage bearings dataset, and the results show a compatible prediction compared with real measured fault signal, and the potential to be applied in fault classification in further applications Ver menos