Em meu artigo anterior (Desmistificando a Análise de Vibração), explico o processo de obter pelos dados crus de vibração a assinatura espectral de um ativo. Por fim, encerro o texto com a seguinte pergunta: Como é feita a Ciência de Dados para identificar as mudanças dos padrões?
Respondendo essa pergunta:
Supondo um cenário sem histórico sobre a máquina e de que nada relacionado a manutenção preditiva tenha sido feito, sugiro: como tudo na vida, comece de maneira simples, iterando o seguinte ciclo de aprendizado muitas vezes até acertar a mão no melhor algoritmo:
Coletas em más condições de funcionamento: dado o cenário, é bem provável que haja um planejamento de manutenção periódica envolvendo aquele equipamento, criado com base em recomendações do fabricante e aprendizado dos técnicos da manutenção. Aproveite-se disso para categorizar as coletas feitas sempre antes de uma manutenção periódica como prováveis coletas com desempenho ruim.
Coletas em boas condições de funcionamento: com a manutenção periódica em dia, categorize os intervalos de tempo em que a máquina funcionou em boas condições, sem falhas ou quebras.
Rode o seu algoritmo de machine learning e treine seu modelo com grande quantidade de dados categorizados em boas e más condições.
Verifique as saídas geradas utilizando o modelo treinado nos dados coletados em más condições e o índice de acerto.
Nesse exemplo anterior, estamos lidando com o chamado aprendizado de máquina supervisionado, onde já se sabe qual entrada está associada com a saída e seu modelo precisa achar um jeito de entender essa associação para prever novas saídas a partir de entradas futuras.
Essa é só uma das opções de processos que podem ser realizados para encontrar os padrões de condição por meio da vibração.
Você também pode escolher seguir sem nenhuma pré categorização dos dados e utilizar um algoritmo não supervisionado. Provavelmente você vai apanhar um pouco mais, mas a praticidade do algoritmo que identifica padrões no meio do caos pode valer a pena.
Caso você ainda não esteja confiante que os resultados obtidos anteriormente são confiáveis e podem evitar um problema futuro. Recorra a mais famosa, poderosa e simples ferramenta da estatística: a média.
A mudança na amplitude média de um certo harmônico, assim como explicado no artigo anterior, pode significar, por exemplo, um estado de desbalanceamento do equipamento.
Assim você poderá abraçar a terceira solução e criar seu próprio algoritmo que define automaticamente o limite aceitável (threshold) de amplitude para diferentes harmônicos, baseando-se nas médias de amplitude obtidas do equipamento em bom funcionamento.
Repare bem que ao apresentar sua primeira opção, não disse em nenhum momento que você irá arquitetar seu próprio algoritmo de aprendizado de máquina na mão. Não se preocupe com isso. Grandes estatísticos já passaram a vida para criar algoritmos de alto desempenho, e você não precisa gastar seu tempo fazendo isso!
Basta você estudar os algoritmos e entender seu funcionamento e aplicação que haverá uma biblioteca em Python ou em R para permitir usá-lo com poucas linhas de código. Por isso, afirmo ao fim:
Mais vale um Cientista de Dados iniciante com uma grande quantidade de dados do que um Cientista de Dados senior com uma pequena quantidade.
Preocupe-se bastante com a consistência, qualidade e quantidade dos seus dados, e você irá obter bons resultados!
Gostou e quer saber mais detalhes?
Entre em contato e saiba como a solução da TRACTIAN pode te auxiliar a obter bons resultados no uso da Ciência de Dados para monitoramento de ativos.