DETECCIÓN DE FALLAS MECÁNICAS EN SISTEMAS ROTATIVOS UTILIZANDO INTELIGENCIA ARTIFICIAL: UN ENFOQUE BASADO EN ÁRBOLES DE DECISIÓN
Resumen
La detección temprana de fallas incipientes en maquinaria rotativa es esencial para el mantenimiento predictivo y la reducción de los costos operativos. Este estudio evalúa la validez de la inteligencia artificial, específicamente la técnica de árboles de decisión, en la identificación de fallas incipientes de desbalance y desalineación, en comparación con sus firmas de vibración y la condición normal de operación, asumiendo que no se identifican otros tipos de fallas entre las estudiadas. Para este propósito, se utilizó un conjunto de datos simulado con respuestas previamente conocidas para entrenar un modelo de aprendizaje supervisado en el lenguaje Python. El modelo fue entrenado para reconocer frecuencias determinísticas y sus armónicos, y para clasificar cada tipo de falla. Los resultados obtenidos por la inteligencia artificial se compararon con las respuestas conocidas, verificándose la precisión del modelo en la clasificación de las fallas, con una exactitud del 93,67%. El análisis demostró la eficacia del enfoque, destacando el potencial de la técnica de árboles de decisión para aplicaciones en el monitoreo de condición y el diagnóstico de fallas en sistemas rotativos, ya que fue capaz de identificar patrones y clasificarlos de manera satisfactoria.
Biografía del autor/a
Bacharel em Engenharia Mecânica, Universidade Federal de São João del Rei (UFSJ), Taubaté, São Paulo, Brasil.
Doutor em Engenharia Mecânica, Universidade de Campinas (Unicamp), São Tiago, Minas Gerais, Brasil.
Doutor, Universidade Federal de São João del Rei, São João del Rei, Minas Gerais, Brasil.
Referencias
BENTLY, Donald E.; HATCH, Charles T. Fundamentals of rotating machinery diagnostics. 2. ed. Minden: Bently Pressurized Bearing Press, 2003.
BISHOP, Christopher M. Pattern recognition and machine learning. New York: Springer, 2006.
BREIMAN, Leo. Statistical modeling: the two cultures. Statistical Science, v. 16, n. 3, p. 199–231, 2001.
BREIMAN, Leo; FRIEDMAN, Jerome H.; OLSHEN, Richard A.; STONE, Charles J. Classification and regression trees. New York: Chapman & Hall/CRC, 1984.
CARVALHO, Tiago P. et al. A systematic literature review of machine learning methods applied to predictive maintenance. Computers & Industrial Engineering, v. 137, p. 106024, 2020. DOI: https://doi.org/10.1016/j.cie.2019.106024
DAS, Oguzhan; DAS, Duygu Bagci; BIRANT, Derya. Machine learning for fault analysis in rotating machinery: a comprehensive review. Heliyon, v. 9, n. 6, e17584, 2023. DOI: https://doi.org/10.1016/j.heliyon.2023.e17584
DEWESOFT. Gráfico de vibração do eixo [imagem]. 2023. Disponível em: https://dewesoft.com/pt/blog/como-interpretar-dados-de-monitoramento-de-condicao Acesso em: 17 mar. 2026.
GOODFELLOW, Ian; BENGIO, Yoshua; COURVILLE, Aaron. Deep learning. Cambridge: MIT Press, 2016.
HAO, X.; ZHANG, Guigang; SHANG, M. Deep learning. International Journal of Semantic Computing, v. 10, n. 3, p. 417–439, 2016. DOI: https://doi.org/10.1142/S1793351X16500045
HARRIS, Charles R. et al. Array programming with NumPy. Nature, v. 585, n. 7825, p. 357–362, 2020. DOI: https://doi.org/10.1038/s41586-020-2649-2
HASTIE, Trevor; TIBSHIRANI, Robert; FRIEDMAN, Jerome. The elements of statistical learning: data mining, inference, and prediction. 2. ed. New York: Springer, 2009.
KARDEC, Allan; NASCIF, Júlio. Manutenção: função estratégica. 3. ed. Rio de Janeiro: Qualitymark, 2009.
KOUTNÍK, Jan; GREFF, Klaus; FAUSTINO, G.; SCHMIDHUBER, Jürgen. A clockwork RNN. In: INTERNATIONAL CONFERENCE ON MACHINE LEARNING, 31., 2014, Beijing. Proceedings […] PMLR, 2014. p. 1863–1871.
MCKINNEY, Wes. Data structures for statistical computing in Python. In: PYTHON IN SCIENCE CONFERENCE, 9., 2010, Austin. Proceedings [...] SciPy, 2010. p. 51–56.
MOZAMMIL, S.; PANIGRAHI, S.; ISRAR, M. Vibration detection and analysis for fault prediction of electric rotating machines. Dogo Rangsang Research Journal, v. 10, n. 12, p. 442–446, 2020.
NEUPANE, Dhiraj; BOUADJENEK, Mohamed Reda; DAZELEY, Richard; ARYAL, Sunil. Data-driven machinery fault diagnosis: a comprehensive review. Neurocomputing, v. 627, p. 129588, 2025. DOI: https://doi.org/10.1016/j.neucom.2025.129588
NGUYEN, Kien; MEDJAHER, Kamal. A new dynamic predictive maintenance framework using machine learning for failure prognostics. Reliability Engineering & System Safety, v. 188, p. 251–262, 2019. DOI: https://doi.org/10.1016/j.ress.2019.03.018
PEDREGOSA, F. et al. Scikit-learn: machine learning in Python. Journal of Machine Learning Research, v. 12, p. 2825–2830, 2011.
QUINLAN, J. Ross. C4.5: programs for machine learning. Burlington: Morgan Kaufmann, 2014.
RANDALL, Robert B. Vibration-based condition monitoring: industrial, aerospace and automotive applications. Chichester: John Wiley & Sons, 2011.
RUDIN, Cynthia. Stop explaining black box machine learning models for high stakes decisions and use interpretable models instead. Nature Machine Intelligence, v. 1, p. 206–215, 2019. DOI: https://doi.org/10.1038/s42256-019-0048-x
ZHANG, Wei et al. A review on machinery fault diagnosis using machine learning for rotating equipment. Mechanical Systems and Signal Processing, v. 148, p. 107247, 2021. DOI: https://doi.org/10.1016/j.ymssp.2020.107247
ZHAO, Rui et al. Deep learning and its applications to machine health monitoring: a survey. Mechanical Systems and Signal Processing, v. 115, p. 213–237, 2019. DOI: https://doi.org/10.1016/j.ymssp.2018.05.050
Licencia
Derechos de autor 2026 RECIMA21 - Revista Científica Multidisciplinar - ISSN 2675-6218
Esta obra está bajo una licencia internacional Creative Commons Atribución 4.0.
Os direitos autorais dos artigos/resenhas/TCCs publicados pertecem à revista RECIMA21, e seguem o padrão Creative Commons (CC BY 4.0), permitindo a cópia ou reprodução, desde que cite a fonte e respeite os direitos dos autores e contenham menção aos mesmos nos créditos. Toda e qualquer obra publicada na revista, seu conteúdo é de responsabilidade dos autores, cabendo a RECIMA21 apenas ser o veículo de divulgação, seguindo os padrões nacionais e internacionais de publicação.