DIAGNÓSTICO AUTOMÁTICO DE FALHAS EM MANCAIS DE MÁQUINAS ROTATIVAS

Revista Práticas em Gestão Pública Universitária

Endereço:
Avenida Pedro Calmon, 550 - sala 833 - Cidade Universitária
Rio de Janeiro / RJ
21941-901
Site: https://revistas.ufrj.br/index.php/pgpu/index
Telefone: (21) 03938-7290
ISSN: 2526-8503
Editor Chefe: Regina Dantas
Início Publicação: 26/05/2017
Periodicidade: Semestral
Área de Estudo: Multidisciplinar

DIAGNÓSTICO AUTOMÁTICO DE FALHAS EM MANCAIS DE MÁQUINAS ROTATIVAS

Ano: 2017 | Volume: 1 | Número: 2
Autores: D. H. C. de S. S. Martins, T. de M. Prego, A. A. de Lima
Autor Correspondente: D. H. C. de S. S. Martins | [email protected]

Palavras-chave: diagnóstico de falhas, mancais de máquinas rotativas, random forest

Resumos Cadastrados

Resumo Português:

Este artigo apresenta um método para diagnosticar falhas em máquinas rotativas através da análise de sinais de vibração a fim de propor uma nova metodologia de manutenção para as impressoras do tipo offset da Divisão Gráfica da Universidade Federal do Rio de Janeiro (UFRJ). Para tanto, o trabalho faz a classificação de três tipos de classes diferentes: sinais com defeito no mancal afastado do motor, sinais com defeito no mancal próximo ao motor e sinais normais. Além disso, também é feita a classificação dos tipos de defeitos que ocorrem nos mancais próximo e afastado do motor: defeito na gaiola, na pista externa e na esfera. O algoritmo usado para fazer a classificação foi o Random Forest, que atingiu uma acurácia de 98,15%.



Resumo Inglês:

This article introduces a method for fail diagnosis in rotating machines analysing vibrations signals, in order to propose a new maintenance methodology for the offset printers of Graphic Division of Federal University of Rio de Janeiro (UFRJ). This work realizes the classification of three differents types of faults: signals with defect in the far from the motor bearing, signals with defect in the near to the motor bearing and normal signals. In addition, also is made the classification of the types of the defects that happen in the near and far from the motor bearings: defects in the cage, in the outer track and in the roller. The algorithm used to make the classification was the Random Forest that reached an accuracy of 98,15%.