Publicação: Detecção de anomalias nas respostas de vibração de rotores usando técnicas de inteligência artificial
Carregando...
Tipo do documento
Data
Direito de acesso
Área do conhecimento
CNPQ::ENGENHARIAS::ENGENHARIA MECANICA::MECANICA DOS SOLIDOS::DINAMICA DOS CORPOS RIGIDOS, ELASTICOS E PLASTICOS
Título da Revista
ISSN da Revista
Título de Volume
Autores
Orientador
Coorientador
Resumo
Máquinas rotativas desempenham papel essencial em setores industriais como óleo e gás,
geração de energia e mineração, e suas falhas podem resultar em paradas não planejadas, perdas
econômicas significativas e riscos à segurança. A análise de vibração destaca-se como uma
das principais técnicas de monitoramento da condição, permitindo a identificação precoce de
problemas mecânicos e apoiando estratégias de manutenção preditiva. A crescente adoção de
sistemas de monitoramento contínuo tem gerado grandes volumes de dados, impondo limitações
às abordagens tradicionais baseadas exclusivamente em análises manuais.
Esta dissertação propõe e avalia metodologias de Aprendizado de Máquina para detecção de
anomalias em respostas de vibração de rotores, com ênfase em estratégias não supervisionadas,
alinhadas à realidade industrial de escassez de dados rotulados de falha. O trabalho integra e
expande o framework Edge Analytics, desenvolvido pelo Laboratório de Mecânica de Estruturas
daUniversidade Federal de Uberlândia (LMEst - UFU), que combina técnicas estatísticas simples
e modelos de aprendizado profundo para detecção de anomalias.
Além dos modelos originais da arquitetura Edge Analytics—Gates, Autoencoder, DeepAnT
e Histogram—são desenvolvidos e avaliados novos modelos baseados em Multilayer Perceptron
(MLP) e Long Short-Term Memory (LSTM). Adicionalmente, investiga-se a combinação desses
modelos com técnicas de Change Point Detection (CPD), visando aumentar a sensibilidade na
identificação de alterações sutis e sustentadas na resposta vibratória.
A validação das metodologias é realizada por meio de cinco benchmarks, envolvendo dados
numéricos e experimentais de diferentes sistemas rotativos, incluindo rotores apoiados em
mancais magnéticos, exaustor industrial e ensaios de degradação de rolamentos. O desempenho
é avaliado por métricas clássicas de classificação, com ênfase no F1 score devido ao forte
desbalanceamento entre classes. Os resultados indicam que não há um modelo universalmente
superior, porém modelos baseados em LSTM e MLP destacam-se em falhas de evolução progressiva,
enquanto a combinação com CPD contribui para a detecção de mudanças sutis. Assim,
o trabalho fornece subsídios técnicos para aplicação industrial em manutenção preditiva.
Abstract
Rotating machinery plays an essential role in industrial sectors such as oil and gas, power
generation and mining, and its failures may result in unplanned shutdowns, significant economic
losses and safety risks. Vibration analysis stands out as one of the main condition monitoring
techniques, enabling the early identification of mechanical problems and supporting predictive
maintenance strategies. The increasing adoption of continuous monitoring systems has led
to large volumes of data, imposing limitations on traditional approaches based exclusively on
manual analysis.
This dissertation proposes and evaluates Machine Learning methodologies for anomaly
detection in rotor vibration responses, with emphasis on unsupervised strategies aligned with the
industrial reality of scarce labeled fault data. The work integrates and extends the Edge Analytics
framework, developed by the Structural Mechanics Laboratory of the Federal University of
Uberlândia (LMEst - UFU), which combines simple statistical techniques and deep learning
models for anomaly detection.
In addition to the original models of the Edge Analytics architecture—Gates, Autoencoder,
DeepAnT, and Histogram — new models based on Multilayer Perceptron (MLP) and Long
Short-Term Memory (LSTM) are developed and evaluated. Furthermore, the combination of
these models with Change Point Detection (CPD) techniques is investigated in order to enhance
sensitivity in identifying subtle and sustained changes in vibration responses.
The validation of the proposed methodologies is conducted through five benchmarks, involving
numerical and experimental data from different rotating systems, including rotors supported
by magnetic bearings, an industrial exhaust fan and bearing degradation tests. Performance is
assessed using classical classification metrics, with emphasis on the F1 score due to the strong
class imbalance. The results indicate that there is no universally superior model, however LSTMand
MLP-based models stand out in faults with progressive evolution, while the combination
with CPD contributes to the detection of subtle changes. Thus, the study provides technical
support for industrial applications in predictive maintenance.
Palavras-chave
Detecção de anomalias, Máquinas rotativas, Vibração de rotores, Inteligência artificial, Anomaly detection, Rotating machines, Rotor vibration, Artificial Intelligence
Citação
MARQUES, Victor Gonçalves. Detecção de anomalias nas respostas de vibração de rotores usando técnicas de inteligência artificial. 2026. 117 f. Dissertação (Mestrado em Engenharia Mecânica) - Universidade Federal de Uberlândia, Uberlândia, 2026. DOI http://doi.org/10.14393/ufu.di.2026.642.
Avaliação
Revisão
Suplementado Por
Referenciado Por
Licença Creative Commons
Exceto quando indicado de outra forma, a licença deste item é descrita como Acesso Aberto