Análise de falhas em uma bomba d’água baseado em um acelerômetro MEMS de baixo custo e classificadores de aprendizado de máquina
DOI:
https://doi.org/10.5433/1679-0375.2020v41n2p171Palavras-chave:
Accelerometer, Diagnosis by vibration, Diagnostic classifiers, Logistic regression, Linear SVM, ANN-MLPResumo
Este trabalho apresenta uma ferramenta de diagnóstico de falhas para uma bomba de água utilizando um acelerômetro MEMS de baixo custo. Foram inseridos três tipos de falhas: lâmina do rotor (nova e danificada), estanqueidade da placa da bomba (rígida ou solta) e cavitação, neste caso em três condições: nenhuma, incipiente e grave, totalizando doze combinações de falhas. Estas condições foram testadas sob duas velocidades diferentes para realizar o diagnóstico, totalizando vinte e quatro testes. Em todos os casos, os sinais de vibração dos eixos X, Y, e Z foram adquiridos. Algumas características extraídas dos espectros de vibração dos eixos X foram utilizadas para compor o conjunto de dados. Estes dados foram analisados empregando regressão logística, uma máquina vetorial de suporte linear (SVM) e perceptron de rede neural artificial multicamadas (ANN-MLP). Comparamos estas três técnicas de aprendizagem da máquina e avaliamos qual delas foi capaz de obter o resultado mais preciso. Usando a ANN-MLP, o sistema foi capaz de detectar todos os três tipos de falhas inseridas, com cerca de 100 % de precisão na condição da pá do rotor, 92 % para falhas de fixação da bomba à base e cerca de 99 % de precisão no estado de cavitação. Como conclusão, é demonstrado que este algoritmo classificador pode ser usado para processar os dados do acelerômetro MEMS de baixo custo em manutenção preditiva como uma ferramenta precisa.Downloads
Não há dados estatísticos.
Referências
AUGUSTYN, T. Energy efficiency and savings in pumping Systems: the holistic approach. Southern African Energy Efficiency Convention, Johannesburg, p. 1-7, 2012.
BAZANINI, G. Cavitation erosion pits and craters in metals. Semina: Ciências Exatas e Tecnológicas, Londrina, v. 38, n. 2, p. 43, 2018
BRAUM, S. G. Mechanical signature analysis: theory and applications. London: Academic Press, 1986.
CYBENKO, G. Approximation by superpositions of a sigmoidal function. Mathematics of Control, Signals and Systems, Piscataway, v. 2, n. 4, p. 303-314, Dec. 1989.
DUTTA, N.; UMASHANKAR, S.; SHANKAR, V. K. A; et al. Centrifugal pump cavitation detection using machine learning algorithm technique. IEEE International Conference on Environment and Electrical Engineering and 2018 IEEE Industrial and Commercial Power Systems Europe, Palermo, p. 1–6, 2018.
FLORINO, J. A. C.; MELLO, L. F.; CARAZZAI, R. F. Redução de custos operacionais em indústrias de manufatura de MDF. Semina: Ciências Exatas e Tecnológicas, Londrina, v. 35, n. 1, p. 77, 2014.
GOLDBERG, Y.; HIRST, G. Neural network methods in natural language processing. Williston: Morgan & Claypool, 2017.
HAMOND, O.; ALABIED, S.; XU, Y.; DARAZ, A. et al., Vibration based centrifugal pump fault diagnosis based on modulation signal bispectrum analysis. In:CONFERENCE ON AUTOMATION AND COMPUTING (ICAC), 23., Huddersfield, 2017. Proceedings [. . . ]. Huddersfield, ICAC, 2017. p. 1-5.
HARRELL JUNIOR, R. F. E. Regression modeling strategies: with applications to linear models, logistic and ordinal regression, and survival analysis. New York: SpringerVerlag, 2001.
HAYKIN, S. Neural networks: a comprehensive foundation. 2. ed. New Jersey: Prentice Hall, 1998.
HAYKIN, S. Neural networks and learning machines. 3. ed. New Jersey: Prentice-Hall, 2008.
IEEE Guide for Induction Machinery Maintenance Testing and Failure Analysis. IEEE, [textitS. l.], p. 1-68, Apr. 2007.
JARDINE, A. K. S.; LIN, D.; BANJEVIC, D. A review on machinery diagnostics and prognostics implementing condition-based maintenance. Mechanical Systems and Signal Processing, London, v. 20, n. 7, p. 1483-1510, 2006.
KAYA, D.; YAGMUR, E. A.; YIGIT, K. S.; KILIC, F. C. Kilic et al. Energy efficiency in pumps. Energy Conversion and Management, Amsterdam, v. 49, n. 6, p. 1662-1673, 2008.
KERAS. The Python Deep Learning library. 2017. Available from: <https://keras:io/>. Access in: Aug. 2018.
KNAPP, R. T.; DAILY, J. W.; HAMMIT, F. G. Cavitation. San Francisco: McGraw-Hill, 1970.
LAROSE, D. T. Logistic regression. In: LAROSE, D. T. Data Mining Methods and Models. New Jersey: JOHN WILEY, 2006. p. 155-199.
MATTOS, E. E.; FALCO, R. Industrial Pumps. 2. ed. Rio de Janeiro: Editora Interciência, 1998.
NAIR, V.; HINTON, G. E. Rectified linear units improve restricted boltzmann machines. In: INTERNATIONAL CONFERENCE ON MACHINE LEARNING, 27, Haifa, 2010. Proceedings [. . . ].Haifa: ICML, 2010.
NAKAJIMA, S. Introduction to TPM: total productive maintenance (preventative maintenance series). [S. l.]: Eleventh Printing edition, 1988.
NASIRI, M. R.; MAHJOOB, M. J.; VAHID-ALIZADEH, H. Vibration signature analysis for detecting cavitation in centrifugal pumps using neural networks. In: INTERNATIONAL CONFERENCE ON MECHATRONICS, 2011, Istanbul. Proceedings [. . . ]. Istanbul: IEEE, 2011. p. 632-
635.
NORTON, M.; KARCZUB, D. Fundamentals of noise and vibration analysis for engineers. 2. ed. Cambridge: University Press, 1994.
NXP. MMA8451Q, 3-axis, 14-bit/8-bit digital accelerometer. Netherlands: NXP, 2018. Available from: <https://www:nxp:com/docs/en/datasheet/MMA8451Q:pdf>. Access in: Aug. 2018.
NXP, MMA8451Q: ±2g/±4g/±8g, Low g, 14-bit Digital Accelerometer. Netherlands: NXP, 2017. Available from: <http://www.nxp.com/products/sensors/accelerometers/3-axis-accelerometers/2g-4g-8g-low-g-14-bit-digitalaccelerometer:MMA8451Q?tab=Buy_Parametric_Ta>. Access in: Mar. 2017.
NXP, i.MX 8M Quad Power Consumption Measurement. Netherlands: NXP, 2020. Available from: <https://www.nxp.com/docs/en/nxp/application-notes/AN12118.pdf>. Access in: Nov. 2020.
PEDOTTI, L. A. S.; ZAGO, R. M; FRUETT, F. Fault diagnostics in rotary machines through spectral vibration analysis using low-cost MEMS devices. IEEE Instrumentation & Measurement Magazine, New York, v. 20, n. 6, p. 39-44, 2017.
PEDOTTI, L. A. S. Dispositivo IoT de baixo custo para Diagnóstico de Falhas em Máquinas Rotativas. 2019. Tese (Doutorado) - Faculdade de Engenharia Elétrica e de Computação, Universidade Estadual de Campinas, Campinas, 2019.
POWERS, D.M.W. Evaluation: from precision, recall and F-mesaure to ROC, informedness, markedness & correlation. Journal of Machine learning Technologies, Singapore, v. 2, n. 1, p-37-63, 2011.
RAO, S. Mechanical vibrations. 5. ed. New Jersey: Prentice Hall, 2010.
ROJAS, R. Neural networks: a systematic introduction. New-York: Springer-Verlag, 1996.
ROJO-ÁLVAREZ, J. L.; MARTINEZ-RAMÓN, M.; MUÑOZ-MARÍ, J.; CAMPS-VALLS, G. Support Vector Machine and Kernel Classification Algorithms. Digital Signal Processing with Kernel Methods, [S. l.], p. 433-502, 2018.
SÁNCHEZ, W.; CARVAJAL, C.; POALACIN, J. et al. Detection of cavitation in centrifugal pump for vibration Analysis. INTERNATIONAL CONFERENCE ON CONTROL, AUTOMATION AND ROBOTICS (ICCAR), 4., 2018, Auckland. Proceedings [. . . ]. Auckland: ICCAR, 2018. p.460-464.
SCIKIT-LEARN. An introduction to machine learning with scikit-learn. 2018. Available from: <http://scikitlearn:
org/stable/tutorial/basic/tutorial:html>. Access in: Aug. 2018.
SCIKIT-LEARN developers. Ascikit-learn: Machine Learning in Python. Available from: <https://scikitlearn.org/stable/>. Access in: Nov. 2020.
STEEGE, P. Overall equipment effectiveness in resist processing equipment. In: ADVANCED SEMICONDUCTOR MANUFACTURING CONFERENCE AND WORKSHOP – ASMC, San Diego, 1996. Proceedings [. . . ].San Diego: IEEE, 1996. p. 76-79.
STOPA, M. M; CARDOSO FILHO, B. J.; MARTINEZ, C. B. Incipient Detection of Cavitation Phenomenon in Centrifugal Pumps. IEEE Transactions on Industry Applications, New York, v. 50, n. 1, p. 120-126, 2014.
SCHRODER, F; LUCCA, Y.; DALFRÉ FILHO, J. G. Bearing Temperature effect analysis of centrifuge pumps operating with moderate cavitation. American Journal of Hydropower, Water and Environment Systems, [S. l.], 2015.
TENSORFLOW.ORG. An open source machine learning framework for everyone. 2018. Available from: https://github.com/tensorflow/tensorflow>. Acess in: 4 Nov. 2020.
WHITE, F. M. Fluid Mechanics, 8. ed. Island: University of Rhode Island, 2016.
WOWK, V. Machinery vibration: measurement and analysis. New York, McGraw-Hill, 1991.
BAZANINI, G. Cavitation erosion pits and craters in metals. Semina: Ciências Exatas e Tecnológicas, Londrina, v. 38, n. 2, p. 43, 2018
BRAUM, S. G. Mechanical signature analysis: theory and applications. London: Academic Press, 1986.
CYBENKO, G. Approximation by superpositions of a sigmoidal function. Mathematics of Control, Signals and Systems, Piscataway, v. 2, n. 4, p. 303-314, Dec. 1989.
DUTTA, N.; UMASHANKAR, S.; SHANKAR, V. K. A; et al. Centrifugal pump cavitation detection using machine learning algorithm technique. IEEE International Conference on Environment and Electrical Engineering and 2018 IEEE Industrial and Commercial Power Systems Europe, Palermo, p. 1–6, 2018.
FLORINO, J. A. C.; MELLO, L. F.; CARAZZAI, R. F. Redução de custos operacionais em indústrias de manufatura de MDF. Semina: Ciências Exatas e Tecnológicas, Londrina, v. 35, n. 1, p. 77, 2014.
GOLDBERG, Y.; HIRST, G. Neural network methods in natural language processing. Williston: Morgan & Claypool, 2017.
HAMOND, O.; ALABIED, S.; XU, Y.; DARAZ, A. et al., Vibration based centrifugal pump fault diagnosis based on modulation signal bispectrum analysis. In:CONFERENCE ON AUTOMATION AND COMPUTING (ICAC), 23., Huddersfield, 2017. Proceedings [. . . ]. Huddersfield, ICAC, 2017. p. 1-5.
HARRELL JUNIOR, R. F. E. Regression modeling strategies: with applications to linear models, logistic and ordinal regression, and survival analysis. New York: SpringerVerlag, 2001.
HAYKIN, S. Neural networks: a comprehensive foundation. 2. ed. New Jersey: Prentice Hall, 1998.
HAYKIN, S. Neural networks and learning machines. 3. ed. New Jersey: Prentice-Hall, 2008.
IEEE Guide for Induction Machinery Maintenance Testing and Failure Analysis. IEEE, [textitS. l.], p. 1-68, Apr. 2007.
JARDINE, A. K. S.; LIN, D.; BANJEVIC, D. A review on machinery diagnostics and prognostics implementing condition-based maintenance. Mechanical Systems and Signal Processing, London, v. 20, n. 7, p. 1483-1510, 2006.
KAYA, D.; YAGMUR, E. A.; YIGIT, K. S.; KILIC, F. C. Kilic et al. Energy efficiency in pumps. Energy Conversion and Management, Amsterdam, v. 49, n. 6, p. 1662-1673, 2008.
KERAS. The Python Deep Learning library. 2017. Available from: <https://keras:io/>. Access in: Aug. 2018.
KNAPP, R. T.; DAILY, J. W.; HAMMIT, F. G. Cavitation. San Francisco: McGraw-Hill, 1970.
LAROSE, D. T. Logistic regression. In: LAROSE, D. T. Data Mining Methods and Models. New Jersey: JOHN WILEY, 2006. p. 155-199.
MATTOS, E. E.; FALCO, R. Industrial Pumps. 2. ed. Rio de Janeiro: Editora Interciência, 1998.
NAIR, V.; HINTON, G. E. Rectified linear units improve restricted boltzmann machines. In: INTERNATIONAL CONFERENCE ON MACHINE LEARNING, 27, Haifa, 2010. Proceedings [. . . ].Haifa: ICML, 2010.
NAKAJIMA, S. Introduction to TPM: total productive maintenance (preventative maintenance series). [S. l.]: Eleventh Printing edition, 1988.
NASIRI, M. R.; MAHJOOB, M. J.; VAHID-ALIZADEH, H. Vibration signature analysis for detecting cavitation in centrifugal pumps using neural networks. In: INTERNATIONAL CONFERENCE ON MECHATRONICS, 2011, Istanbul. Proceedings [. . . ]. Istanbul: IEEE, 2011. p. 632-
635.
NORTON, M.; KARCZUB, D. Fundamentals of noise and vibration analysis for engineers. 2. ed. Cambridge: University Press, 1994.
NXP. MMA8451Q, 3-axis, 14-bit/8-bit digital accelerometer. Netherlands: NXP, 2018. Available from: <https://www:nxp:com/docs/en/datasheet/MMA8451Q:pdf>. Access in: Aug. 2018.
NXP, MMA8451Q: ±2g/±4g/±8g, Low g, 14-bit Digital Accelerometer. Netherlands: NXP, 2017. Available from: <http://www.nxp.com/products/sensors/accelerometers/3-axis-accelerometers/2g-4g-8g-low-g-14-bit-digitalaccelerometer:MMA8451Q?tab=Buy_Parametric_Ta>. Access in: Mar. 2017.
NXP, i.MX 8M Quad Power Consumption Measurement. Netherlands: NXP, 2020. Available from: <https://www.nxp.com/docs/en/nxp/application-notes/AN12118.pdf>. Access in: Nov. 2020.
PEDOTTI, L. A. S.; ZAGO, R. M; FRUETT, F. Fault diagnostics in rotary machines through spectral vibration analysis using low-cost MEMS devices. IEEE Instrumentation & Measurement Magazine, New York, v. 20, n. 6, p. 39-44, 2017.
PEDOTTI, L. A. S. Dispositivo IoT de baixo custo para Diagnóstico de Falhas em Máquinas Rotativas. 2019. Tese (Doutorado) - Faculdade de Engenharia Elétrica e de Computação, Universidade Estadual de Campinas, Campinas, 2019.
POWERS, D.M.W. Evaluation: from precision, recall and F-mesaure to ROC, informedness, markedness & correlation. Journal of Machine learning Technologies, Singapore, v. 2, n. 1, p-37-63, 2011.
RAO, S. Mechanical vibrations. 5. ed. New Jersey: Prentice Hall, 2010.
ROJAS, R. Neural networks: a systematic introduction. New-York: Springer-Verlag, 1996.
ROJO-ÁLVAREZ, J. L.; MARTINEZ-RAMÓN, M.; MUÑOZ-MARÍ, J.; CAMPS-VALLS, G. Support Vector Machine and Kernel Classification Algorithms. Digital Signal Processing with Kernel Methods, [S. l.], p. 433-502, 2018.
SÁNCHEZ, W.; CARVAJAL, C.; POALACIN, J. et al. Detection of cavitation in centrifugal pump for vibration Analysis. INTERNATIONAL CONFERENCE ON CONTROL, AUTOMATION AND ROBOTICS (ICCAR), 4., 2018, Auckland. Proceedings [. . . ]. Auckland: ICCAR, 2018. p.460-464.
SCIKIT-LEARN. An introduction to machine learning with scikit-learn. 2018. Available from: <http://scikitlearn:
org/stable/tutorial/basic/tutorial:html>. Access in: Aug. 2018.
SCIKIT-LEARN developers. Ascikit-learn: Machine Learning in Python. Available from: <https://scikitlearn.org/stable/>. Access in: Nov. 2020.
STEEGE, P. Overall equipment effectiveness in resist processing equipment. In: ADVANCED SEMICONDUCTOR MANUFACTURING CONFERENCE AND WORKSHOP – ASMC, San Diego, 1996. Proceedings [. . . ].San Diego: IEEE, 1996. p. 76-79.
STOPA, M. M; CARDOSO FILHO, B. J.; MARTINEZ, C. B. Incipient Detection of Cavitation Phenomenon in Centrifugal Pumps. IEEE Transactions on Industry Applications, New York, v. 50, n. 1, p. 120-126, 2014.
SCHRODER, F; LUCCA, Y.; DALFRÉ FILHO, J. G. Bearing Temperature effect analysis of centrifuge pumps operating with moderate cavitation. American Journal of Hydropower, Water and Environment Systems, [S. l.], 2015.
TENSORFLOW.ORG. An open source machine learning framework for everyone. 2018. Available from: https://github.com/tensorflow/tensorflow>. Acess in: 4 Nov. 2020.
WHITE, F. M. Fluid Mechanics, 8. ed. Island: University of Rhode Island, 2016.
WOWK, V. Machinery vibration: measurement and analysis. New York, McGraw-Hill, 1991.
Downloads
Publicado
2020-12-11
Como Citar
Pedotti, L. A. dos S., Zago, R. M., Rocha, J. C., Dalfré Filho, J. G., Giesbrecht, M., & Fruett, F. (2020). Análise de falhas em uma bomba d’água baseado em um acelerômetro MEMS de baixo custo e classificadores de aprendizado de máquina. Semina: Ciências Exatas E Tecnológicas, 41(2), 171–184. https://doi.org/10.5433/1679-0375.2020v41n2p171
Edição
Seção
Artigos
Licença
Os Direitos Autorais para artigos publicados nesta revista são de direito do autor. Em virtude de aparecerem nesta revista de acesso público, os artigos são de uso gratuito, com atribuições próprias, em aplicações educacionais e não-comerciais. A revista se reserva o direito de efetuar, nos originais, alterações de ordem normativa, ortográfica e gramatical, com vistas a manter o padrão culto da língua e a credibilidade do veículo. Respeitará, no entanto, o estilo de escrever dos autores. Alterações, correções ou sugestões de ordem conceitual serão encaminhadas aos autores, quando necessário. Nesses casos, os artigos, depois de adequados, deverão ser submetidos a nova apreciação. As opiniões emitidas pelos autores dos artigos são de sua exclusiva responsabilidade.
Esta obra está licenciada com uma Licença Creative Commons Atribuição-NãoComercial 4.0 Internacional.
