Rede Neural Artificial
Rede Neural Artificial
Rede neural artificial, no campo da ciência da computação e campos relacionados, são modelos computacionais inspirados pelo sistema nervoso central (em particular o cérebro) que são capazes de realizar o aprendizado de máquina bem como o reconhecimento de padrões.
Redes neurais artificiais geralmente são apresentadas como sistemas de “neurônios interconectados, que podem computar valores de entradas”, simulando o comportamento de redes neurais biológicas.
Aplicações da rede neural
Os avanços tecnológicos são notórios e numa velocidade cada vez maior com inúmeras aplicações das redes neurais. Hoje já são muito utilizadas com o reconhecimento de caracteres; sistemas de robótica, em diagnóstico médico, sensoriamento remoto, biometria e análise de dados.
Rede neural artificial na vida dos rolamentos
Os rolamentos são um dos elementos mecânicos essenciais e presente em máquinas rotativas de todo tipo. Em geral, os rolamentos são frequentemente substituídos quando ocorre algum tipo de defeito na superfície da pista.
No entanto, em situações em que não é fácil substituir o rolamento, onde os custos de manutenção são elevados, ou onde alguns defeitos nos rolamentos não interferem com o funcionamento das aplicações, o rolamento pode ser utilizado mesmo após a ocorrência dos defeitos.
Nesses casos, é necessário prever a Vida Útil Remanescente (RUL) até o limite que pode ser usado na progressão do defeito. É sabido que a vida útil dos rolamentos varia amplamente. Além disso, os recursos de aceleração de vibração variam muito para cima e para baixo com a progressão do defeito.
Portanto, para criar um plano de manutenção adequado, é necessário considerar as diferenças individuais na RUL de cada rolamento e a flutuação nas características de vibração e garantir a monotonicidade da degradação da RUL.
Existem duas abordagens principais para prever a RUL de rolamentos: Manutenção Baseada no Tempo (TBM) e Manutenção Baseada na Condição (CBM). TBM é um conceito de manutenção de rolamentos como um grupo inteiro, e usa o conceito da vida útil L10.
O que é vida útil L10?
A vida útil L10 é definida como a vida nominal com 90% de confiabilidade, como sendo o total do número de revoluções que um lote de rolamentos de mesmo número possa girar sem apresentar escamamento em função da fadiga em 90% destes rolamentos.
Isso ao serem girados individualmente sob as mesmas condições de operação, portanto com probabilidade de fracasso de 10%.
Dada a variação da vida útil do rolamento, a vida útil L10 é calculada com base na distribuição Weibull. É definida como os ciclos de rotação total ou tempo de operação total que 10% dos rolamentos são danificados quando muitos rolamentos (mesmo tipo) são operados sob as mesmas condições.
A TBM pode exigir a substituição de rolamentos perfeitamente funcionais, ou podem ocorrer defeitos graves antes da inspeção periódica, aumentando o custo de manutenção.
Estudo universidade de Osaka sobre vida útil dos rolamentos
Cientistas do Instituto de Pesquisa Científica e Industrial e dos Laboratórios NTN Next Generation Research Alliance da Universidade de Osaka desenvolveram um estudo. Esse estudo foi apresentado na 9ª Conferência Internacional de Aplicações de Sistemas Inteligentes – Santiago de Compostela, Espanha – 2020. Os integrantes desse estudo são: Masashi Kitai, Yoshinobu Akamatsu, Ryoji Tani, Hiroki Fujiwara, Masayuki Numao e Ken-ichi Fukui.
O estudo RNAs
Trata-se de um método de aprendizado de máquina que combina redes neurais convolucionais e modelagem hierárquica bayesiana para prever com precisão a vida útil restante dos rolamentos.
Este trabalho pode levar a novos métodos de monitoramento industrial (preditivo) que ajudam a gerenciar os programas de manutenção e maximizar a eficiência e segurança sob a evolução de falhas.
Um rolamento é composto por dois anéis separados por corpos rolantes (esferas ou rolos). Devido à facilidade de rolagem, os anéis podem girar em relação uns aos outros com muito pouco atrito.
Os rolamentos são essenciais para quase todas as máquinas automatizadas com elementos rotativos. Os rolamentos eventualmente falham devido ao desgaste, mas muitas vezes os defeitos potenciais não podem ser facilmente reparados porque os anéis estão em um local inacessível ou o tempo de inatividade da máquina é muito caro.
Assim, a capacidade de prever com precisão a vida útil restante sob a progressão de defeitos reduziria os procedimentos de manutenção desnecessários e peças descartadas prematuramente sem risco de quebra.
Vejam a seguir a figura 1 (reprodução traduzida da Universidade de Osaka):
Agora, uma equipe de pesquisadores da Universidade de Osaka usou o aprendizado de máquina para prever a vida útil restante dos rolamentos com base no espectro de vibração medido.
Sabe-se que à medida que os defeitos pioram dentro de um rolamento, sua amplitude de vibração começa a oscilar. Primeiro, os cientistas criaram um espectrograma mostrando a intensidade de diferentes frequências em função do tempo.
Vejam a figura 2 que ilustra essas oscilações (reprodução traduzida da Universidade de Osaka):
Esses gráficos foram então usados para treinar em uma rede neural convolucional, que é um método de aprendizado de máquina para reconhecimento de imagem e tarefas de visão.
Conclusão
“Predizer a curva de vida útil restante dos rolamentos sob a progressão do defeito geralmente é difícil, devido à flutuação irregular das características de vibração”, relata um dos autores do estudo, Masashi Kitai.
Por isso, a modelagem hierárquica bayesiana foi usada para inferir os parâmetros, incluindo o tempo de vida restante.
Essa abordagem permitiu aos cientistas integrar os resultados em um único conjunto de previsões, juntamente com as incertezas associadas.
Durante o teste, o método melhorou o erro da vida útil restante prevista em cerca de 32%. A partir desse estudo com uso das RNAs fica certo que o método será cada vez mais aperfeiçoado.
Com isso uma ampla gama de itens de máquinas e equipamentos serão incluídas nesse método para buscar a viabilização dessa previsão de vida útil. Portanto vemos que os avanços tecnológicos para predizer a vida útil de muitos equipamentos e componentes tem evoluído sistematicamente. Os estudos e testes continuam crescendo em toda parte e surgindo novos métodos e aperfeiçoamento de outros já existentes.
Fonte:
https://www.ibm.com/cloud/learn/neural-networks
https://ieeexplore.ieee.org/document/9408580
https://nsk.com.br/uploads/BT_VIDA_UTIL_NOMINAL_DO_ROLAMENTO.pdf
https://resou.osaka-u.ac.jp/en/research/2021/20210524_1
https://www.sciencedirect.com/topics/engineering/artificial-neural-network
