DETECÇÃO DE FALHA EM ROLAMENTOS UTILIZANDO ACELERÔMETROS MEMS DE BAIXO CUSTO E APRENDIZADO DE MÁQUINA

Resumo

O objetivo deste estudo foi avaliar o desempenho de três modelos de aprendizado de
máquina, Random Forest, SVM e CNN 2D, na detecção de falhas em mancais de rolamento usando
dados de vibração de acelerômetros MEMS de baixo custo. Para as análises, foram coletados dados de
uma bancada experimental com rolamentos em condições normais, defeito no rolo e defeito na pista
externa, utilizando os sensores ADXL345 e MPU6050 em diferentes frequências de aquisição. Os
dados foram processados com a Transformada Rápida de Fourier (FFT) para extrair características
espectrais. Os resultados demonstram que a aplicação da FFT melhorou significativamente o
desempenho dos classificadores tradicionais (Random Forest e SVM), que atingiram acurácias
superiores a 99% com dados do ADXL345. A CNN 2D, por sua vez, mostrou alta capacidade de
generalização e extração automática de características, alcançando 100% de acurácia mesmo com
dados brutos. A comparação entre os sensores indica que o ADXL345 proporcionou resultados
superiores, especialmente em frequências mais altas. O estudo conclui que a combinação de
acelerômetros MEMS e técnicas de aprendizado de máquina tem grande potencial para sistemas de
monitoramento de condição de baixo custo e alta confiabilidade.