DETECÇÃO DE FALHAS MECÂNICAS EM SISTEMAS ROTATIVOS UTILIZANDO INTELIGÊNCIA ARTIFICIAL: UMA ABORDAGEM BASEADA EM ÁRVORES DE DECISÃO
Resumo
A detecção precoce de defeitos incipientes em máquinas rotativas é essencial para a manutenção preditiva e a redução de custos operacionais. Este estudo avalia a validade da inteligência artificial, especificamente a técnica de árvore de decisão, na identificação de defeitos incipientes de desbalanceamento e desalinhamento, em comparação com sua assinatura de vibração, e condição normal de operação, esse caso não seja identificado outros tipos de falha dentre os estudados. Para isso, um conjunto de dados simulados, com respostas previamente conhecidas, foi utilizado para treinar um modelo de aprendizado supervisionado em linguagem Python. O modelo foi treinado para reconhecer as frequências determinísticas e seus harmônicos e classificar para cada tipo de falha. Os resultados obtidos pela inteligência artificial foram comparados com as respostas conhecidas, verificando-se a precisão do modelo na classificação das falhas, onde obteve-se que a acurácia 93,67%. A análise demonstrou a efetividade da abordagem, evidenciando o potencial da técnica de árvore de decisão para aplicações em monitoramento de condição e diagnóstico de falhas em sistemas rotativos, uma vez que conseguiu identificar padrões e classificar de forma satisfatória.
Biografia do Autor
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.
Referências
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
Licença
Copyright (c) 2026 RECIMA21 - Revista Científica Multidisciplinar - ISSN 2675-6218
Este trabalho está licenciado sob uma licença Creative Commons Attribution 4.0 International License.
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.