Um método de diagnóstico de falhas em rolamentos para sistemas complexos baseado em base de regras de crença estendida melhorada

Por que manter máquinas rotativas saudáveis importa

De turbinas eólicas a esteiras de fábrica, muitas máquinas industriais dependem de rolamentos e engrenagens que giram em alta velocidade por anos a fio. Quando essas peças ocultas começam a falhar, podem paralisar linhas de produção inteiras ou até provocar acidentes perigosos. Este artigo apresenta uma nova forma de detectar essas falhas cedo e com confiabilidade, mesmo quando os dados do mundo real são bagunçados, ruidosos e fortemente inclinados a operar normalmente.

O problema das falhas raras e dos sinais ruidosos

No uso cotidiano, rolamentos e engrenagens estão saudáveis na maior parte do tempo, portanto os registros de vibração contêm muito mais exemplos normais do que com falha. Métodos padrão orientados a dados, como redes neurais, podem aprender padrões impressionantes, mas tendem a focar na classe majoritária, muitas vezes ignorando as assinaturas de falha raras que são as mais importantes. Ao mesmo tempo, sensores de vibração ficam em ambientes agressivos cheios de ruído mecânico e elétrico, que borram os detalhes finos necessários para distinguir entre tipos de falha como dano na pista interna, pista externa ou defeitos nas esferas. Juntos, esses problemas dificultam a construção de sistemas de diagnóstico que sejam ao mesmo tempo precisos e confiáveis fora do laboratório.

Misturando regras de especialistas com estatística mais inteligente

Os autores partem de uma família de modelos conhecidos como bases de regras de crença, que combinam regras de especialista do tipo “SE certas características se parecem com isto, ENTÃO o rolamento está naquele estado” com probabilidades que expressam incerteza. Uma versão estendida desse arcabouço, chamada EBRB, transforma medidas brutas de sensores em níveis graduados de crença (por exemplo, muito baixo, médio ou muito alto) em vez de limiares rígidos. Isso facilita lidar com informação vaga ou incompleta. Contudo, versões anteriores dependiam de distância geométrica simples para decidir quão bem um novo padrão de vibração casa com uma regra armazenada, uma escolha que não reflete totalmente as diferenças nas distribuições de probabilidade subjacentes quando os sinais são ruidosos.

Medindo informação em vez de distância

Para capturar melhor mudanças sutis nos padrões de vibração, o artigo substitui a distância simples por uma ferramenta da teoria da informação chamada divergência de Kullback–Leibler. Em vez de perguntar quão distantes estão dois pontos no espaço, essa medida pergunta quanta informação é perdida quando um padrão de probabilidade é usado para imitar outro. Ao calcular uma versão simétrica dessa divergência entre os perfis de crença dos dados de entrada e cada regra, o modelo pode avaliar correspondências de uma forma que considera como a massa de probabilidade está distribuída, não apenas seu tamanho. Isso leva a uma ativação de regras mais precisa, especialmente quando diferentes falhas apresentam força geral semelhante, mas diferem na distribuição de suas características.

Dando às falhas raras um voto justo

Mesmo com melhor pareamento, um conjunto de dados desbalanceado ainda pode enviesar o aprendizado para o estado saudável majoritário. Para combater isso, os autores introduzem uma estratégia de subamostragem em conjunto. Eles repetidamente reduzem o número excessivo de amostras saudáveis e as combinam com todas as amostras de falha disponíveis para criar vários subconjuntos de treinamento balanceados. Para cada subconjunto, treinam um modelo estendido de base de regras de crença separado e então ajustam seus pesos internos usando um algoritmo de evolução diferencial, um método de busca baseado em população adequado para paisagens complexas. Na previsão, todos esses submodelos analisam os mesmos dados de entrada e um esquema de votação decide o rótulo final de saúde, dando às assinaturas de falha raras múltiplas oportunidades de serem reconhecidas.

Que desempenho o método alcança na prática

A equipe testa sua abordagem em dois conjuntos de dados de referência amplamente usados: um para rolamentos e outro para engrenagens. Para mimetizar condições realistas, treinam com dados de vibração gravados sob uma frequência de amostragem ou condição de operação e testam com dados coletados sob outra, preservando um forte desbalanceamento de classes em ambos os conjuntos. Em uma variedade de métricas como acurácia, precisão, recall e F1‑score, o novo método supera de forma consistente sistemas tradicionais de base de regras de crença, modelos padrão de aprendizado de máquina e técnicas populares de tratamento de desbalanceamento. Mostra ganhos especialmente fortes nas classes minoritárias de falha e mantém alto desempenho mesmo quando ruído artificial é adicionado a características-chave do sinal.

O que isso significa para máquinas reais

Para um não especialista, a mensagem principal é que este método fornece um “check-up” mais confiável para rolamentos e engrenagens nas condições bagunçadas encontradas em plantas reais. Ao combinar regras no estilo de especialista com uma forma mais inteligente de comparar padrões de probabilidade e um sistema de votação justo para eventos raros, a abordagem reduz o risco de que sinais iniciais de dano sejam abafados pelo fluxo de dados normais e pelo ruído de fundo. Os autores concluem que sua base de regras de crença em conjunto pode fornecer diagnóstico de falhas preciso, interpretável e resistente ao ruído, e sugerem estendê‑la a outras peças rotativas enquanto automatizam quantos subconjuntos de dados são necessários para o melhor desempenho.

Citação: Yan, X., Li, N., Nan, S. et al. A bearing fault diagnosis method for complex system based on improved extended belief rule base. Sci Rep 16, 15827 (2026). https://doi.org/10.1038/s41598-026-44629-8

Palavras-chave: diagnóstico de falha em rolamentos, diagnóstico de falha em engrenagens, monitoramento por vibração, aprendizado em conjunto, base de regras de crença