Comparação de modelos de aprendizado de máquina para classificação de falhas em máquinas rotativas

Abstract

Este trabalho investigou o desempenho de diferentes arquiteturas de redes neurais para a pre visão de falhas em máquinas rotativas com base em dados multivariados obtidos do simulador MAFAULDA. Foram analisadas quatro abordagens principais: Multi-Layer Perceptron (MLP), Convolutional Neural Network (CNN), Gated Recurrent Units (GRU) e Long Short-Term Memory (LSTM). Os experimentos utilizaram janelas de 1.000 amostras, tanto fixas quanto sobrepostas em 50%, avaliando métricas como acurácia, precisão, recall e F1-score, além do tempo de infe rência. A LSTM destacou-se como a mais eficaz na configuração com sobreposição, atingindo acurácia e F1-score de 98,70% na validação, embora com maior custo computacional. Já a MLP obteve o menor tempo médio de inferência, de 762 microssegundos por janela, sendo adequada para aplicações em tempo real. A GRU apresentou desempenho equilibrado, enquanto a CNN revelou maior variação nas métricas de recall. Conclui-se que a LSTM é a melhor escolha para tarefas de alta precisão, enquanto a MLP é ideal para cenários com restrições de latência. Trabalhos futuros incluem o desenvolvimento de arquiteturas híbridas e a aplicação de técnicas avançadas de pré-processamento e otimização

This study investigated the performance of different neural network architectures for fault predic tion in rotating machinery based on multivariate data obtained from the MAFAULDA simulator. Four main approaches were analyzed: Multi-Layer Perceptron (MLP), Convolutional Neural Network (CNN), Gated Recurrent Units (GRU), and Long Short-Term Memory (LSTM). The experiments utilized windows of 1,000 samples, both fixed and overlapped by 50%, evaluating metrics such as accuracy, precision, recall, and F1-score, as well as inference time. The LSTM stood out as the most effective in the overlapped configuration, achieving an accuracy and F1-score of 98.70% during validation, albeit with higher computational costs. On the other hand, the MLP achieved the shortest average inference time, at 762 microseconds per window, making it suitable for real-time applications. The GRU demonstrated balanced performance, while the CNN exhibited higher variability in recall metrics. It is concluded that the LSTM is the best choice for high-precision tasks, whereas the MLP is ideal for latency-constrained scenarios. Future work includes the development of hybrid architectures and the application of advanced preprocessing and optimization techniques