Explainable artificial intelligence approaches for fault diagnosis in rotating machinery

Abstract

Devido ao crescente interesse pelo aumento da produtividade e redução de custos no ambiente industrial, novas técnicas de monitoramento de máquinas rotativas estão surgindo. A Inteligência Artificial (IA) é uma das abordagens que tem sido proposta para analisar os dados coletados (por exemplo, sinais de vibração) fornecendo um diagnóstico da condição de operação do ativo. Atualmente, vários modelos baseados em aprendizado de máquina e aprendizado profundo têm alcançado excelentes resultados no diagnóstico de falhas. No entanto, para aumentar ainda mais a adoção e difusão de tais tecnologias, usuários e especialistas humanos devem receber explicações dos modelos. Outra questão está relacionada, na maioria dos casos, com a indisponibilidade de dados históricos rotulados que inviabilizam o uso de modelos supervisionados. Para superar esses problemas, esta tese propõe novas metodologias para diagnóstico de falhas em máquinas rotativas baseadas em inteligência artificial explicável e análise de vibração. A possibilidade de reduzir o número de parâmetros monitorados é apresentada. Uma nova estrutura é proposta para identificação automática de bandas de frequência relevantes em sinais de vibração, chamada de Fator de Relevância de Banda (BRF). Além disso, uma identificação não supervisionada da falha em máquinas rotativas através da análise de vibração e classificação não supervisionada do tipo de falha, com base na análise da relevância dos parâmetros é apresentada. Por fim, é desenvolvida uma nova abordagem de classificação baseado na transferência de aprendizado em um conjunto de dados sintético, sem a necessidade de ter sinais de condições reais de falha, denominada Detecção de Falhas usando Inteligência Artificial Explicável (FaultD-XAI). A eficácia das abordagens propostas é mostrada em diferentes conjuntos de dados contendo falhas mecânicas em máquinas rotativas.