Escolar Documentos
Profissional Documentos
Cultura Documentos
So Paulo
2005
RODRIGO YOSHIAKI FUJIMOTO
So Paulo
2005
FICHA CATALOGRFICA
ERRATA
3 1 propostas a analisar
4 2 so apresentadas apresentam-se
6 14 algoritmos conceitos
8 16 utilizada utiliza-se
10 8 levando levando-se
23 4 A = {x, A ( x ) | x X } A = (x,(x))
34 7 definida definidas
41 2 apresentadas propostas
48 3 est localiza-se
53 10 apresentado apresenta-se
53 17 so realizados realizou-se
61 7 criar implementar
61 11 criao obteno
61 14 CRIAO OBTENO
61 15 criao obteno
68 2 bi-dimensional bi-dimensionais
88 10 influencia a influencia o
Agradecimentos
Ao Prof. Dr. Linilson Padovese, pela ateno e apoio durante o processo de definio,
orientao e finalizao.
A meus pais e meus irmos por terem me apoiado em toda a minha vida acadmica.
Aos meus colegas de laboratrio e meu orientador que me inspiraram e auxiliaram para
Este trabalho apresenta duas metodologias baseadas em lgica fuzzy para automatizar o
diagnstico de defeito em equipamentos mecnicos, alm de fazer uma comparao de seu
desempenho utilizando um caso experimental. As duas metodologias estudadas so: o sistema
de inferncia fuzzy e o algoritmo baseado em Fuzzy C-Means. O alarme estatstico uma
metodologia existente atualmente na indstria com este objetivo e que ser utilizado neste
trabalho para comparao de desempenho. Para realizar os testes, foram desenvolvidos
programas que permitiram criar alarmes e sistemas fuzzy utilizando um banco de dados
experimental. De modo diferente ao que so feitos normalmente, os sistemas fuzzy de
diagnstico testados neste trabalho foram construdos automaticamente utilizando
informaes do banco de dados experimentais composto por sinais de vibrao, que
representam a condio normal e diversos tipos de defeitos em mancais de rolamentos. Os
parmetros escalares caractersticos necessrios para a entrada nos sistemas fuzzy foram
obtidos atravs do processamento dos sinais de vibrao de mancais de rolamentos. Nas
anlises realizadas neste trabalho, foi estudada a influncia de diversos caractersticas de
criao do sistema fuzzy. Como exemplo, pode-se citar como principal influncia, a
complexidade do banco de dados a ser analisado pelo sistema fuzzy. Por fim, alm de
apresentar uma comparao de performance entre as metodologias fuzzy apresentadas no
trabalho, com o alarme estatstico, so discutidas as caractersticas de cada uma destas
metodologias. Destacam-se como principais contribuies deste trabalho, a obteno de uma
metodologia utilizada para criar de maneira automtica o sistema de inferncia fuzzy e as
modificaes realizadas no algoritmo Fuzzy C-Means para aperfeioar o desempenho em
classificao de defeitos.
Palavras-chave: lgica fuzzy, rolamento, Fuzzy C-Means, sistema de inferncia fuzzy, alarme
estatstico.
ABSTRACT
This works describes two proposed methodologies for the automatic diagnoses in mechanical
equipment: the fuzzy system inference and a Fuzzy C-Means based algorithm. Their
performances are evaluated in an experimental case and, afterwards, also compared by the
statistical alarm, a diagnostic methodology very used in industries at present. In order to do
the tests, a developed computer algorithm allowed creating alarms and fuzzy systems by the
use of an experimental database. These tested diagnostic systems were automatically built
using information from the mentioned database that was composed by samples of vibration
signals, representing several types of rolling bearing defects and the bearing normal condition.
The fuzzy systems input scalar parameters were obtained by signal processing. The influence
of some of the building fuzzy systems parameters in the system performance was also studied,
which allow establishing, for example, that the database complexity is an important factor in
the fuzzy system performance. Finally, this work discusses the main characteristics of each
one of the described methodologies. The most important contribution of this work is the
proposition of a methodology for creating fuzzy system automatically as well as the analysis
of the fuzzy C-Means as a tool for system diagnoses.
Keywords: fuzzy logic, rolling bearing, Fuzzy C-Means, fuzzy inference system, statistical
alarm.
Lista de Ilustraes
Figura 2.6 Exemplo de funes de pertinncia de uma nica caracterstica obtida por FCM,
Figura 3.1 Rolamento B015TVP da FAG (a) montado e (b) desmontado ______________ 41
Figura 3.2 Esquema da ordem de aquisio dos sinais de vibrao dos rolamentos. ____ 43
Figura 3.5 Detalhe da bancada de ensaio (a) motor utilizado para o teste, e (b) detalhe do
Figura 3.8 (a) Sistema de monitoramento da carga aplicada e (b) variador de freqncia
Figura 4.2 Grficos para anlise de desempenho do alarme estatstico do parmetro RMS
Figura 4.3 - Grficos para anlise de desempenho do alarme estatstico do parmetro Valor
Figura 4.5 ndice de nvel de alarme otimizada (onde cada parmetro de anlise de
metodologia. _______________________________________________________ 63
Figura 5.3 Funes de pertinncia obtidas do exemplo da Figura 5.1, para o grupo G1
Figura 5.4 Funes de pertinncia obtidas do exemplo da Figura 5.1, para o grupo G2
Figura 5.6 Regra de Inferncia Padro para o exemplo da Figura 5.1. ______________ 68
Figura 5.8 Esquema do sistema fuzzy obtido por esta metodologia na forma de rede. ___ 70
Figura 5.11 Tipos de funes de pertinncias com os parmetros de entrada para um valor
Figura 5.12 Tipos de funes de pertinncias com os parmetros de entrada para um valor
Figura 5.13 - Influncia da disperso f1 sobre a desempenho tanto dos sistemas fuzzy de
Figura 5.14 - Funes de pertinncia referente caracterstica RMS para sada Normal com
mdia e desvio padro obtida por (a) todas as amostras e (b) para cada amostra. 92
Figura 5.16 Desempenho de deteco para o SISTEMA FUZZY NORMAL influenciada pelo
Figura 6.1 Mapeamento dos dados de exemplo para treinamento __________________ 104
Figura 6.2 Funes de Pertinncia para o banco de dados de exemplo utilizando c = 2, (a)
Figura 6.6 Graus de pertinncia ideais para o banco de dados de exemplo.__________ 109
Figura 6.7 Graus de pertinncia de cada uma das 80 amostras do banco de dados de
Figura 6.9 Regra de inferncia padro utilizado pelo algoritmo FCM ______________ 113
Figura 6.10 Desempenho de acerto de classificao dos sistemas FCM influenciados pelos
Figura 6.11 - Desempenho de acerto de deteco dos sistemas FCM influenciados pelos
Figura 6.12 Influncia do expoente fuzzy sobre o nmero de iteraes no treinamento._ 119
Figura 6.13 Desempenho de acerto de classificao dos sistemas FCM influenciados pelo
Figura 6.14 Desempenho de acerto de deteco dos sistemas FCM influenciados pelo
________________________________________________________________ 121
Figura 6.16 Desempenho de acerto de classificao dos sistemas FCM influenciados pelo
6.16).____________________________________________________________ 123
Figura 6.19 Desempenho de acerto de classificao dos sistemas FCM influenciados pela
Figura 6.20 Desempenho de acerto de deteco dos sistemas FCM influenciados pela
Figura 6.21 Nmero de iteraes no treinamento dos sistemas FCM influenciado pela
Figura 6.22 - Desempenho de acerto de classificao dos sistemas FCM influenciados pelos
Figura 6.23 - Desempenho de acerto de deteco dos sistemas FCM influenciados pelos
Figura 6.24 - Nmero de iteraes no treinamento dos sistemas FCM influenciado pelos
Tabela 1.2 Tabela com mxima desempenho obtida para rede MLP e PNN41. _________ 11
Tabela 2.1 Propriedades dos operadores lgicos fuzzy (TT operador Tnorm; e TS
Tabela 2.5 Opo de operador Agregao, sendo CFF as funes de pertinncia resultante
Tabela 3.4 Parmetros dos sinais de vibrao que compe o grupo Var/Todos.________ 49
Tabela 3.5 Dados dos clculos para obteno dos espectros de freqncia ___________ 51
Tabela 3.6 Tabela de resumo dos grupos de parmetros de anlise de vibrao utilizados
Tabela 4.1 Parmetros dos sinais de vibrao utilizados no teste do alarme estatstico. _ 54
Tabela 4.2 Tabela com mxima desempenho obtida pelo Alarme Estatstico. __________ 60
Tabela 5.2 Tabela de variaes utilizadas na criao dos sistemas de inferncia fuzzy.__ 72
Tabela 5.3 Nomes das variveis lingsticas das funes de pertinncia de sada. ______ 74
Tabela 5.4 Fatores de Proporo de Disperso _________________________________ 78
Tabela 5.6 Tabela de resumo dos grupos de parmetros de anlise de vibrao utilizados
Tabela 5.7 Caractersticas dos sistemas de inferncia fuzzy utilizadas para a anlise da
Tabela 5.8 Tabela com mxima desempenho obtida no teste com respectivas disperses (f1).
_________________________________________________________________ 88
Tabela 6.1 Tabela com o resumo das variaes de complexidades utilizadas nos testes deste
Tabela 6.2 Resumo dos grupos de parmetros de anlise de vibrao utilizados para testar
Tabela 6.3 Tabela com as estratgias que obtiveram a melhor desempenho de acerto de
Tabela 7.1 Resumo das mximas desempenho obtidas com cada metodologia ________ 132
Lista de Siglas
ER - Energia residual
Sk - Skewness
Kurt - Kurtosis
Fc - Fator de Crista
Fk - Fator K
TF - Transformada de Fourier
Env - Envelope
Rp - Razo de Pico
funo de pertinncia
valor limiar
disperso
m valor mdio
S funo sigmodal
produtria
operador implicao
inferncia
T perodo de amostragem
_
valor mdio de um sinal x[t]
x
xM amostra de um sinal x
f freqncia
G freqncia de gaiola
t tempo
B largura do rolamento
1. INTRODUO 1
1.2.8. Outros______________________________________________________ 19
2. CONCEITOS TERICOS 20
2.4.1. Similaridade_________________________________________________ 34
2.4.2. Medida de Similaridade _______________________________________ 36
3. MATERIAIS E MTODOS 41
4. ALARMES ESTATSTICOS 53
4.1. Testes_____________________________________________________________ 53
5.2. Testes_____________________________________________________________ 71
5.3. Resultados_________________________________________________________ 83
7. CONCLUSO 131
8. BIBLIOGRAFIA 134
APNDICE 139
1. INTRODUO
produtividade dos equipamentos e a melhoria na qualidade dos produtos so cada vez mais
impacto significativo na produtividade industrial. Para isto, novos conceitos esto sendo
defeito. A manuteno preditiva utiliza diversas ferramentas para alcanar este objetivo final,
termografia, entre outros. Dentre estes, uma importante ferramenta a anlise de vibrao
uma falha, etc. A qualidade do diagnstico est ligada diretamente com a capacitao do
analista.
que precisam ser analisadas. Uma planta industrial pode ter centenas ou milhares de pontos a
(RMS) do sinal global ou de certas bandas de freqncias. Neste caso, os dados, aps serem
sinal. Este valor comparado com um dado padro (obtido do histrico anterior da mquina
ou de um valor tpico para a famlia do equipamento) e, com base nesta anlise, o sistema
aciona um alarme. Os casos nos quais o sistema de alarme acionado requerem uma anlise
nmero de falsos alarmes pode ser grande, impossibilitando uma anlise efetiva correta dos
disto, este tem sido a metodologia mais amplamente utilizada na indstria tendo resultados
estudada de modo que sejam possveis a comparao de sua performance com as das outras
3
Como estudo de caso dos sistemas de diagnstico automtico propostos, foi utilizado o
mais crticos em mquinas rotativas, devido principalmente pela quantidade encontrada numa
onde o monitoramento dos mancais de rolamento foi feito atravs da medida de vibrao por
clssicos para formar o banco de informaes a ser utilizado pelo sistema de diagnstico.
Como objetivo principal deste trabalho, pretende-se estudar duas metodologias para
e o algoritmo Fuzzy C-Means). Alm disso, pretende-se apresentar duas metodologias para
C-Means (FCM).
diagnstico das trs metodologias em um caso experimental. Dentre estas variveis pode-se
bem como um resumo bibliogrfico das metodologias estudadas neste trabalho, que so, o
sistema de inferncia fuzzy, o fuzzy c-means e o alarme estatstico. Outro importante aspecto
Neste caso, a falha considerada a situao onde o equipamento deixa de cumprir a sua
funo.
foi projetada (uma trinca, por exemplo), que pode ou no estar provocando uma falha no
equipamento. Neste caso, o defeito considerado uma deficincia do equipamento, porm, ele
O surgimento de um defeito num mancal de rolamento pode ter um alto impacto nos
5,30,31,38,40,51
custos relacionados a uma possvel falha do equipamento , que so muito
1.1.
5
Rolamentos
11%
5% Ventilao
3% 37%
6% Rotor
Eixo/Acoplamento
5% Buchas
Dispositivos Externos
33%
No Especificado
39,48
A SKF e a NSK descrevem diversas falhas que podem ocorrer em um mancal de
rolamento. Normalmente, quando estas falhas ocorrem prematuramente (antes do fim da vida
calor externo no previsto em projeto, etc. Estas falhas podem ser mais bem identificadas
Uma das principais ferramentas utilizada para a observao do defeito antes que
38, 50, 51
ocorra a falha do equipamento a anlise de vibrao . Esta ferramenta mais bem
discutida no Apndice A. Outra ferramenta tambm utilizada o sinal de emisso acstica 51.
6
mecanismo de inferncia e uma interface com o usurio, conforme observado na Figura 1.2.
modelo que traduza estas informaes, obtendo uma boa representao deste conhecimento.
tambm desejvel que ele seja capaz de apresentar os mecanismos lgicos de sua deciso,
os chamados algoritmos baseados em inteligncia artificial como, por exemplo: redes neurais,
razes 14:
7
sistema de agregar novas informaes conforme o sistema utilizado, seja para se adaptar
melhor realidade na qual est sendo utilizado, ou para agregar continuamente novas
planta a ser diagnosticado variar durante a operao. Portanto, existe a necessidade do sistema
ter uma boa interface com o usurio (ou seja, amigvel). Na literatura comum encontrar esta
servir ao especialista como uma nova ferramenta para que ele possa executar as tarefas de
industrial onde existe a gerao diria de uma enorme quantidade de dados que devem ser
8
analisados. Neste caso, o diagnstico de falhas, implicaria em um custo muito alto de pessoal
especializado.
Para que a tarefa de diagnstico realmente funcione necessrio que ocorra uma pr-
anlise de dados de forma que os especialistas no fiquem afogados em uma srie de tarefas
rotineiras. Assim, eles podem ter sua ateno voltada para os casos mais complexos.
Uma tcnica muito usada atualmente para esta tarefa de pr-anlise, para diagnstico
ento um especialista analisa a necessidade da troca. Esta mesma tcnica pode ser utilizada
A confiabilidade deste tipo de sistema baixa em alguns casos 56,57. Para aperfeio-lo
foi proposta a utilizao de diversas outras tcnicas. Dentre elas, pode-se citar o alarme
aprofundada. Esta pr-anlise normalmente definida por valores globais (por exemplo, de
Para a definio destes limites, podem ser utilizadas diversas normas, por exemplo a
(ex: Vrms (mm/s) ou Vpico (in/s)) ou de deslocamento (Vpico (m)). Como exemplo, um
equipamento, devendo ser definido a partir de uma condio de vibrao tomada como
Para tanto, eles utilizam o alarme estatstico. Este conceito foi utilizado neste presente estudo.
Existem diversos tipos de redes neurais que foram utilizadas com o objetivo de
Perceptron) 30, 40, 41, e PNN (Probabilistic Neural Network) 40, 41.
A rede neural pode ser considerada como um grande interpolador que pode ter como
entrada uma grandeza vetorial e ter como sada um vetor ou um escalar previamente definido
neurais e sinais de vibrao, para analisar e diagnosticar (detectar, classificar e estimar uma
progresso) uma falha na planta em que est atuando (por exemplo, indstrias de gerao de
energia e petroqumicas).
Apesar da rede neural poder alcanar uma alta taxa de acerto de deteco e
classificao de defeito (at 100%) 41, ela possui uma grande desvantagem pois a sua estrutura
11
trabalho, so apresentados na Tabela 1.2. Estes resultados sero utilizados para fazer uma
Tabela 1.2 Tabela com mxima desempenho obtida para rede MLP e PNN41.
preciso. Um modo de superar essa limitao a implantao de sistemas que usam a lgica
fuzzy. Uma das ferramentas mais empregadas, que utilizam este conceito, o sistema de
inferncia fuzzy.
descrio matemtica detalhada do sistema a ser modelado, podendo ser utilizadas descries
Alm disso, ele permite superar a limitao do modelamento tipo caixa-preta utilizada
A Tabela 1.3 apresenta uma resumida comparao entre os sistemas fuzzy e neural.
12
de naturezas diferentes.
sistema fuzzy. Isto pode resultar em sistemas de inferncia que s alcanam o resultado
flexvel;
necessita de especialista para determinar suas regras (relaes entre entrada e sada);
fuzzy so apresentados por Fujimoto 16. Dentro da lgica fuzzy, trabalha-se diretamente com
as palavras, que, apesar de ser menos preciso que valores numricos, elas so mais prximas
parmetros escalares ou vetoriais calculados a partir destes sinais de vibrao) com esse fim.
14
so utilizados como entradas) para sistemas fuzzy, e que foram encontrados na literatura,
passagem de defeito (da pista externa, da pista interna, do elemento rolante e da gaiola),
No apresentado por Mechefske 35, o sistema fuzzy detecta apenas a localizao da falha (pista
Nos artigos 31,56,57, utiliza-se como entrada do sistema, parmetros obtidos do sinal de
do espectro do sinal de vibrao como entrada. Este parmetro vetorial tambm j foi
41
utilizado em uma rede neural . Uma caracterstica deste tipo de entrada, que este vetor
diagnstico.
objetivo de alcanar uma mistura das caractersticas apresentadas por ambos (Tabela 1.3).
Entre as combinaes, pode-se citar a utilizao de uma rede neural para um pr-
Esta tcnica foi utilizada para deteco de falhas em tubos de trocadores de calor em
plantas nucleares 54. Na tcnica proposta, a rede neural foi utilizada para detectar a ocorrncia
de falha no tubo, enquanto o sistema de inferncia fuzzy foi utilizado para determinar o
tamanho da falha.
Alm deste, foi proposta a construo da estrutura de uma rede neural de modo que
represente diretamente um sistema de inferncia fuzzy. Este novo modelo denominado rede
neuro-fuzzy 3.
6
Existem diversos mtodos de classificao baseado em lgica fuzzy. Billaudel
apresenta uma comparao entre quatro deles: Fuzzy C-Means, Fuzzy K Nearest Neighbours,
mtodo baseado em Regras Fuzzy e Fuzzy Pattern Matching method. Ele utilizou alguns
bancos de dados de origens distintas para obter uma comparao destes algoritmos em
diversos problemas.
16
17
Grauel tambm apresenta uma comparao entre trs mtodos de classificao de
heuristicamente atravs de grficos. Apesar desta idia ser interessante, pois resulta em
mtodo proposto neste presente trabalho, ele possui uma grande desvantagem, pois necessita
de uma anlise bem profunda (maior tempo de processamento) para se alcanar s regras e
funes timas.
sendo que os centros obtidos atravs dele so utilizados para descrever as funes de
pertinncia, como por exemplo, valores mdios de funo de pertinncia do tipo gaussiana.
Definindo, Fuzzy c-means (FCM) uma tcnica ou algoritmo para se obter clusters ou
dados pertence a um cluster por um determinado grau de pertinncia. Esta tcnica foi
originalmente proposto por Dunn e generalizado por Jim Bezdek em 1973 como um
de dados a partir de um grande conjunto de dados para produzir uma representao concisa do
comportamento de um sistema.
centros obtidos por este algoritmo tentam minimizar a distncia intraclasses (entre
17
(entre centros).
pode-se citar o proposto por Joentgen 24,25, para tratamento de dados na forma de funes, por
dinmicas (ou tendncias temporais). Enquanto na maioria das vezes se trabalha com
caractersticas que descrevem o perfil de uma funo (ou vetor de entrada), ele apresenta um
A principal contribuio dada por Joentgen 24,25, no tanto o FFCM, que no possui,
estruturalmente, diferena muito grande com o FCM, mas sim, a viso de se trabalhar
diretamente com a funo (ou vetor de entrada) utilizando uma variao do FCM.
24,25
Nos seus trabalhos, Joentgen exemplifica a utilizao deste algoritmo para
identificar falhas em caixa de reduo. A funo (vetor de entrada) que ele utiliza na
distribuio homognea e isotrpica dos grupos dentro do banco de dados, o que no ocorre
falhas, podem-se utilizar diferentes medidas de distncias para suplantar este problema. Neste
18
contexto, Flores-Sintas 15, props uma modificao do algoritmo de FCM de modo a utilizar a
distncia Mahalanobis (para obter grupos elpticos) sem a necessidade de acrescentar novas
Uma desvantagem deste algoritmo FCM o seu alto tempo de processamento devido
Random Sampling Fuzzy C-Means), que utiliza diversas amostras aleatrias do banco de
dados de tamanho muito inferior (no utiliza todo o banco de dados de entrada) para obter os
FCM. Este algoritmo foi aplicado em um banco de dados para reconhecimento de imagem de
No FCM existem dois parmetros principais para obter uma melhor desempenho do
algoritmo, o expoente fuzzy m e o nmero de cluster c (discutido em maior detalhes ver Item
2.4.3). Dependendo da escolha destes fatores, podem-se alcanar resultados muito diversos.
Em muitos artigos 6,7,17 so apresentados modos para otimizar estes dois parmetros atravs de
Estes critrios no so analisados no presente trabalho uma vez que aqui se pretende
Uma das caractersticas do algoritmo do FCM o fato dele usar uma limitao para os
graus de pertinncia que produz apenas pertinncias relativas, ou seja, que depende de todos
os clusters. Isto no ocorre na formulao da teoria de conjunto fuzzy feita por Zadeh. Nela, o
cluster obtidos no final 9. Por isso, no presente trabalho, decidiu-se no utilizar uma escolha
aleatria para estes centros de cluster iniciais, mas sim, centros obtidos de conhecimento
propriedades do sistema a ser modelado, uma vez que ele no precisa de conhecimento de
especialista explcito. Alm disso, ele possui um tempo de adaptao menor se comparado
utilizado para obter os clusters, o Fuzzy K-Nearest Neighbours utilizado para classificar
mdio e o desvio padro referentes a cada caracterstica que descreve o hiper-espao. Isto
magnitudes.
1.2.8. Outros
Outros mtodos utilizados, ou que podem ser utilizados, para o diagnstico de falhas
52 58
so a grafos de causas-efeito , a tcnica de dicotomia fuzzy , support vector machines
2. CONCEITOS TERICOS
medio 61. Esta incerteza estatstica de medida descrita por uma distribuio gaussiana ou
normal. Portanto, ele poder ser representado por um valor mdio (ou linha central, x ) e seu
relacionadas a uma falha ou condio adversa de operao. Deste modo, o alarme estatstico
Se o Valor Global (ou ponto de controle) maior que Alarme (ou Alerta)
existe o defeito.
Alarme = x + ALARME
Equao 2.1
gaussiana do parmetro considerado, e ALARME (ou ndice do nvel de alarme) um valor a ser
No existe um valor de ALARME (ou ndice do nvel de alarme) definido para estes
61
limites de vibraes. Apenas como um exemplo, Wier utiliza como valor para este ndice
Porm, este parmetro ALARME (ou ndice do nvel de alarme) deve ser escolhido pelo
entrada em um espao de caracterstica de sada. Alm deste mtodo, podem-se utilizar outros
modos de mapeamento, tais como redes neurais, equaes diferenciais, sistemas especialistas,
entre outros.
Sobre este assunto, Lotfi Zadeh, o pai da lgica fuzzy, cita 34: Em quase todos os
casos voc pode construir o mesmo produto sem lgica fuzzy, mas fuzzy mais rpido e
barato.
A lgica fuzzy pode ser comparada com a lgica clssica. A lgica clssica (ou
booleana) trata com a definio clssica de conjuntos. Nesta definio, um certo valor
Um outro modo de se observar a diferena entre estes dois tipos de lgica o fato de
que a lgica fuzzy um conceito para generalizar a lgica booleana (sim/no, pertencente/no
pertencente, ou, 1/0), uma vez que ele trabalha com valores intermedirios entre 1 e 0. Esta
pessoas.
(a) (b)
vagos, tais como: prximo, longe, quente, alto, muito quente, bem lento, etc.
funo de pertinncia o perfil que relaciona o valor numrico da altura (x) e o grau de
pertinncia ().
Dentre os diversos perfis ou funes que so utilizados para este propsito, esto 16:
Trapezoidal;
Triangular;
Gaussiano;
Pi;
Beta;
atravs de equaes, sendo que, em casos de perfis simtricos, utilizam-se nestas equaes, o
24
valor mdio (m) e a disperso (), e at dois fatores de proporo de disperso indicando a
A B ( x ) = TT ( A ( x ), B ( x )) Equao 2.3
definido por:
A B ( x ) = TS ( A ( x ), B ( x )) Equao 2.4
Existem diversas definies para estes operadores. Normalmente, para obter uma
27
relao com a lgica clssica, procura-se satisfazer as propriedades da Tabela 2.1. Karnik
Tabela 2.1 Propriedades dos operadores lgicos fuzzy (TT operador Tnorm; e TS
operador S-norm), sendo a,b e c graus de pertinncia quaisquer de [0,1].
usadas na prtica.
Este operador define a interseco entre dois conjuntos fuzzy. Para esta operao j
foram apresentadas na literatura diversas variaes, dentre elas, so descritos alguns tipos 7 na
Tabela 2.2.
2.2.4. Operador OR
Este operador define a unio entre dois conjuntos fuzzy. Anlogo ao operador AND,
7
para esta operao j foram apresentadas na literatura diversas variaes, sendo que, para
uma dada definio do operador AND h um equivalente para o operador OR. As diferentes
definio foi utilizada para os dois operadores nos testes realizados neste trabalho.
26
AND/Interseco () OR/Unio ()
2 min( A [x ], B [ y ]) +
A [x ] + B [ y ]
Mean + 4. max ( A [x ], B [ y ])
2
6
Mean( ) Mean()
2 2
Mean2
Yager ((
1 min 1, (1 A [x ]) + (1 B [ y ])
k
)
k 1/ k
) ((
min 1, A [x ] + B [ y ]
k
)
k 1/ k
)
(1 )
n n
Zysno C i [x ] 1 C (1 i [x ])
i =1 i =1
( A [x ] + B [ y ]) ( A [x ] + B [ y ])
A [x ] B [ y ]
Dubois
max( A [x ]., B [ y ], k ) min ( A [x ], B [ y ],1 k )
max(1 A [x ].,1 B [ y ], k )
discurso. Para esta operao j foram apresentadas na literatura 7 diversas variaes, dentre
O mais utilizado em sistemas fuzzy aquele definido por Zadeh, que tambm foi
NOT/Negao (~)
Zadeh 1 A [x ]
Yager
(1 A [x]k )
1/ k
Sugeno 1 A [x ]
1 + k A [x ]
Threshold 1
A [x ] < k
0
A [x ] k
Cosine 1
(1 + cos( A [x]))
2
Este valor define a sensibilidade do sistema fuzzy, de modo que um resultado aps as
operaes lgicas AND ou OR menor que o valor limiar considerado como sendo nulo.
A lgica fuzzy, de maneira anloga lgica clssica, pode ser descrita em termos de
Ou
(NOT), como pode ser observado na Figura 2.2, existe outro operador que necessrio
definir, o operador THEN. Este operador define a implicao de cada regra sobre uma dada
varivel lingstica da sada, ou seja, ele relaciona a orao antecedente e a conseqente. Esta
influncia pode ser definida pelas operaes apresentadas na Tabela 2.4. Nesta tabela, foram
THEN/Implicao ()
agregao de regras. Este operador une a influncia de todas as regras obtidas aps aplicao
todo devido s entradas do sistema fuzzy. Esta conseqncia pode ser definida pelas funes
Agregao()
Soma n
CFF [xi ] min1, CFR j [xi ]
j =1
2.2.10.Operador de Desfuzzificao
domnio fuzzy em um nmero escalar, que mais fcil para o usurio interpretar. Esta
Centride;
Bisector;
MOM (mdia do mximo);
SOM (menor dos mximos);
LOM (maior dos mximos).
2.2.11.Inferncia Fuzzy
uma sada usando lgica fuzzy. Utilizando esta base fornecida pelo sistema, o usurio pode
proposto por Sugeno 34. A diferena entre eles o modo como modelam as sadas.
Ele considera uma funo de pertinncia na sada com um certo perfil, de modo que a sada
desfuzzificada pode ser obtida atravs das propriedades de rea das sadas agregadas de todas
as regras.
1. Fuzzificao de entrada;
2. Aplicao dos operadores fuzzy AND e/ou OR e/ou NOT (Item 2.2.2);
3. Aplicao do operador THEN (Implicao Item 2.2.8);
4. Agregar as sadas de todas as regras (Oper. de Agregao Item 2.2.9);
5. Desfuzzificao (Item 2.2.10).
o modelo intuitivo;
amplamente aceito;
o mais indicado para trabalhar com entradas fornecidos por pessoas.
porm, ele considera que a sada uma constante ou uma funo linear. Deste modo, tem-se
que para um modelo fuzzy Sugeno de ordem zero, a regra de inferncia toma o seguinte
perfil:
dentro do universo de discurso conforme as entradas do sistema fuzzy. Deste modo, alm da
depender.
eficincia computacional;
um melhor modelamento de sistemas lineares, processos de otimizao e tcnicas
adaptativas;
garante-se a continuidade da sada do sistema;
32
Como pode ser observado pela estrutura acima, o criador do sistema de inferncia
necessrios pelo menos dois grupos de especialistas, um na rea em questo (por exemplo,
caractersticos que melhor definem o fenmeno a ser observado, alm das sadas esperadas
para o sistema fuzzy (por exemplo, classes de defeitos no caso de um sistema de diagnstico).
fuzzy para este compor as funes de pertinncia de entrada e de sada. Uma outra
sistema obter a melhor resposta com o menor esforo computacional, bem como, quais as
fenmeno observado.
clusters, um conjunto de pontos ou dados, minimizando uma funo objetiva fuzzy escolhida
previamente. Estes clusters obtidos por este algoritmo so representados por vetores
34
por um grau de pertinncia entre 0 e 1. Deste modo, um modo mais simples de se definir o
2.4.1. Similaridade
Means a similaridade, por ser uma das medidas amplamente utilizadas e discutidas para
descreve o elemento.
A diferena entre estas duas definies mais bem observada quando se faz uma
comparao entre duas funes no tempo ou em qualquer outro domnio (por exemplo, sinais
de vibraes e espectros de freqncia). Uma funo pode ser tratada de duas formas, atravs
dos pontos de sua trajetria (uma vez que na prtica normalmente se trabalha com funes
considerar cada um destes pontos como sendo uma caracterstica distinta. Com isso, alcana-
descrevem o perfil de uma funo. Entre estas caractersticas pode-se citar o RMS, mnimo e
dizer que esta similaridade est relacionada escolha destas caractersticas. Esta similaridade
Por esta discusso apresentada acima, fica claro que existe um ponto de sobreposio
considerar os pontos da trajetria da funo como caractersticas que a descrevem o seu perfil,
36
distncia).
mesma natureza (por exemplo, neste trabalho utilizou-se apenas valores de acelerao em
m/s2), e a estrutural trabalha com caractersticas de diferentes naturezas (por exemplo, valor
Um modo para se obter uma medida de similaridade entre dois vetores utilizando a
distncia entre os dois. Considerando dois vetores g e h, e a medida de distncia entre eles
como sendo d(g,h), o grau de similaridade pode ser definido por 25:
1
s(g , h ) = Equao 2.5
1 + d ( g , h)
A medida de distncia entre dois vetores pode assumir diversas formas, entre elas
d (g , h ) = (g (i ) h(i ))
2
Equao 2.6
i =1,..., n
Neste trabalho foi utilizada esta definio euclidiana para se calcular os graus de
pertinncia.
37
Este algoritmo tem como objetivo calcular um conjunto B de vetores prottipos bi, a
caractersticos.
1
i , j = 2
i = 1,..., c e j = 1,..., N Equao 2.7
c di, j m 1
d
k =1 k , j
O problema de encontrar clusters, ou seja, aplicar o FCM, pode ser formulado como
sendo a minimizao de uma funo objetiva. Esta funo definida por FLORES-SINTAS 15
como sendo:
c N
J (B, U ; X ) = (i , j ) d 2 (x j , bi )
m
Equao 2.8
i =1 j =1
estreito a funo de pertinncia, ou seja, mais fuzzy. Isto pode ser visto claramente na
Figura 2.6.
38
(a) (b)
Figura 2.6 Exemplo de funes de pertinncia de uma nica caracterstica obtida por
FCM, com expoente fuzzy m igual a: (a) 1.1 e (b) 2.0
i =1
i, j =1 j = 1,..., N
Equao 2.9
Equao 2.10
nenhum dado que pertena completamente (grau de pertinncia igual a 1) a dois conjuntos
nulo, o dado no est contido no respectivo conjunto fuzzy, e quando grau de pertinncia 1,
o dado est contido completamente ao conjunto fuzzy. Estas duas restries podem ser vistas
claramente na Figura 2.6. Como pode ser visto nesta figura, nos centros dos clusters ou das
funes de pertinncia (neste exemplo, 3.0, 7.5 e 15.0) os graus de pertinncia so 1 para uma
diferente das utilizadas para o sistema de inferncia fuzzy (apresentado no item 5.3.1).
39
amplamente relacionado ao grau de similaridade entre dois vetores, o vetor prottipo e o vetor
objeto.
utilizado existem variaes deste algoritmo que utilizam clusters elpticos que no so
1. Inicializao:
( )
j =1
i, j
m
xj
bi = N
i = 1,..., c Equao 2.11
( )
m
i, j
j =1
1
i , j = 2
i = 1,..., c e j = 1,..., N Equao 2.12
c di, j m 1
d
k =1 k , j
comparao das variaes dos graus de pertinncia. Caso o valor mximo de variao
40
ocorrido em uma iterao for maior que uma meta pr-estabelecida, o critrio de
parada no atendido.
3. MATERIAIS E MTODOS
Para realizar os testes das metodologias apresentadas neste trabalho, foi necessria a
3.1. ROLAMENTOS
Tabela 3.1.
(a) (b)
ngulo de Contato () c 0
Nmero de Esferas Z 10
42
3.2. Os defeitos, localizados tanto na pista externa quanto na pista interna, so um pequeno
furo, corroso 1 (faixa transversal exposta gua do mar sinttica por 8 horas), corroso 2
vibrao foi medida em seis diferentes rotaes (de 400 rpm a 1400 rpm), e para cada rotao
foram aplicadas trs diferentes cargas radiais (200 N, 400 N e 600 N).
Normal -- 400
600 200
medido um novo conjunto de 5 amostras de sinais. Aps realizar a aquisio com todos os
rolamentos com defeito e com o normal, este mesmo procedimento realizado novamente.
Figura 3.2 Esquema da ordem de aquisio dos sinais de vibrao dos rolamentos.
44
amostras) de cada condio de sistema mostrado na Tabela 3.2. Com esta ordem de aquisio
3.2, e portanto, no so estudadas neste trabalho, mas que existem na prtica, como, por
robusto, que no influenciado por estas outras condies no estudadas no presente trabalho.
Para a aquisio dos sinais que compem o banco de dados, foi utilizada a bancada de
ensaios apresentada no esquema da Figura 3.3, e na foto da Figura 3.4. O acelermetro foi
montado sobre a caixa de rolamento, sendo que foi tomado o cuidado de montar todos os
obter a maior resoluo possvel, sem ocorrer a saturao do sistema de converso analgico-
digital.
Figura 3.5 Detalhe da bancada de ensaio (a) motor utilizado para o teste, e (b) detalhe
do mancal de rolamento mostrando o posicionamento do acelermetro acima e a
aplicao da carga atravs do parafuso (abaixo do mancal).
46
Esta carga radial foi aplicada utilizando uma barra articulada (que funciona como uma
clula de carga) em uma das pontas, tendo o seu ponto mdio articulado na caixa de
rolamento, e em cujo extremo oposto aplicado uma carga utilizando um parafuso. Portanto,
tem-se que a carga aplicada ao mancal de rolamento o dobro da carga aplicada pelo
parafuso.
A clula de carga formada por dois extensmetros presos um em cada lado desta
barra articulada, cuja alimentao e condicionamento do sinal, so feitos por uma ponte de
Como parmetro de aquisio, foi utilizadas uma taxa de amostragem de 5 kHz com
aquisio utilizados.
que utilizada para se realizar a anlise do sinal, e obteno dos parmetros escalares que
48
foram a entrada do sistema fuzzy. Nesta mesma etapa, todos os sinais foram centrados em
zero.
Amplificao (a ajustar)
(Resoluo) 12 bits
(Faixa) 10 V
na Tabela 3.4.
Tabela 3.4 Parmetros dos sinais de vibrao que compe o grupo Var/Todos.
(5) ER ER (Normal)
(13) ER ER (Envelope)
anlise (denominado como Var/Todos) que foi utilizado nos testes dos sistemas de
50
do sinal de 0 a 1250 Hz obtidas pelo esquema mostrado na Figura 3.9. Com estas amplitudes
mostrado na Figura 3.9 utilizando os dados de clculos descritos na Tabela 3.5. Maiores
detalhes com relao obteno do espectro de vibrao so apresentados por Proakis 44.
espectro de vibrao que possua uma resoluo de aproximadamente 9,76 Hz (65 pontos). No
aproximadamente 4,88 Hz (129 pontos). Estas resolues foram usadas tanto para o espectro
do sinal de vibrao, quanto para o espectro do sinal de envelope (neste caso, denominados
PSD 64 [f]
PSD
Janela
Sinal de (128)
Vibrao
ENVPSD 64 [f]
Sinal (x[t]) Reamostragem
pelo analista de vibrao, que neste caso, est sendo simulado pelo sistema de diagnstico
automtico.
Tabela 3.5 Dados dos clculos para obteno dos espectros de freqncia
Tamanho do vetor de
65 129
caracterstica (pontos)
feita uma anlise global dos sistemas de diagnsticos utilizando estes diferentes
grupos de parmetros.
Grupo Caractersticas
4. ALARMES ESTATSTICOS
tendncia padro de sua famlia, de modo que os valores de alarme se tornam ineficientes para
lgica clssica.
4.1. TESTES
alarme estatstico, bem como para comparar a desempenho desta metodologia com as outras
apresentadas neste trabalho, so realizados alguns testes para verificar a eficincia do mtodo
do alarme estatstico.
apresentados na Tabela 4.1 (ver Captulo 3) aplicados ao banco de dados de teste, obtendo um
Tabela 4.1 Parmetros dos sinais de vibrao utilizados no teste do alarme estatstico.
(5) ER ER (Normal)
(13) ER ER (Envelope)
determinado parmetro dos sinais de vibrao (por exemplo, RMS). Dentre esses, separou-se
os valores obtidos com o grupo de rolamentos considerados NORMAIS. A partir deste grupo,
foram escolhidos aleatoriamente cerca de 25% deles para calcular o seu valor mdio e desvio
Com o restante do banco de dados, escolheu-se aleatoriamente mais 50% dos dados
para testar a desempenho do alarme obtido. Neste ltimo banco de dados de teste podem ser
distinguidas duas categorias, uma considerada como sendo NORMAL e outra considerada
BANCO DE DADOS 25 % 25 % 25 % 25 %
NORMAL
DEFEITO RISCADO INT
RISCADO EXT
CORROSO 1 INT
CORROSO 2 INT
CORROSO 1 EXT
CORROSO 2 EXT
FURADO INT
FURADO EXT
Para obteno do nvel de alarme, utilizou-se a Equao 2.1. Neste teste variou-se o
valor de ALARME (ou ndice do nvel de alarme) para determinar a melhor desempenho para
realizar a Classificao (ou tipo) deste defeito (por exemplo, furo, corroso, riscado,...).
56
Como resultados das anlises realizadas, apresenta-se os seguintes grficos das Figura
4.2, Figura 4.3, Figura 4.4 e Figura 4.5. Estes resultados so discutidos em seguida. Nestes
1
Acertos Totais = Acertos de Defeitos + Acertos de Normais [%] Equao 4.3
2
RMS (Normal)
Pico (Envelope)
74,9
74,6
74,0
73,5
72,2
73,3
80,0
72,2
72,2
71,1
68,6
63,2
63,8
70,0
Mxima Performance (%)
61,3
58,9
54,8
60,0
50,0
40,0
30,0
20,0
10,0
0,0
1
3
co
is
S
ER
ss
B
M
Pi
ne
to
co
co
co
R
ur
ew
Pi
Pi
Pi
K
Sk
Normal
Tipo de Parmetro
Envelope
2,4
2,5
ndice do Nvel de Alarme (n)
2,0
2,0
1,7
1,6
1,6
1,5
1,5
1,5
1,5
1,4
1,4
1,4
1,4
1,3
1,5
0,8
1,0
0,5
0,1
0,0
is
ss
3
co
ER
S
B
M
os
ne
Pi
co
co
co
R
ew
ur
Pi
Pi
Pi
K
Sk
Normal
Tipo de Parmetro
Envelope
Figura 4.5 ndice de nvel de alarme otimizada (onde cada parmetro de anlise de
vibrao utilizado obteve mximo desempenho apresentado na Figura 4.4).
nvel de alarme ALARME sobre a desempenho (ou nmero de acerto). Todos os parmetros de
ALARME (ou ndice do nvel de alarme) enquanto o Acertos de Defeitos possui uma tendncia
inversa, ou seja, possui uma queda conforme aumenta o valor de ALARME. Este fato ocorre,
pois de acordo com o aumento do nvel de alarme ALARME, o diagnstico fica menos sensvel
NORMAL.
59
pode ser observado na Figura 4.5, sendo que sua respectiva desempenho apresentada na
Figura 4.4.
Pela Figura 4.5, percebe-se que a melhor desempenho est em grande maioria dos
casos dos parmetros de anlise de vibrao localizado na faixa de ALARME (ou ndice do
nvel de alarme) entre 1,0 e 2,5, com exceo de dois parmetros (Pico B1 Normal e Pico B3
Envelope).
estatstico, observa-se que no se pode definir um valor de ALARME (ou ndice do nvel de
alarme) timo aplicvel a todos os parmetros de anlise de vibrao apresentados, uma vez
que foram obtidos diferentes ndices timos para cada parmetro (variando na faixa de 1,0 a
2,5).
o caso NORMAL dos casos com DEFEITO (grande diferena entre as mdias) quanto da
pode ser utilizado em qualquer caso, para determinar o ndice do nvel de alarme timo para
Tabela 4.2 Tabela com mxima desempenho obtida pelo Alarme Estatstico.
Deteco
ALARME 2,0
ou falha, no sendo possvel classificar qual o tipo da falha. Alm disso, ele baseado apenas
equipamentos semelhantes. Caso, estes ltimos no existam, o alarme estatstico no pode ser
logo que se obtenha um bando de dados mais amplo, o alarme estatstico pode ser instalado no
fuzzy (por exemplo, tipo de operadores lgicos, operador de desfuzzificao,...). Este trabalho
da regra de inferncia utilizando uma metodologia para criar o sistema de inferncia fuzzy
fuzzy (funes de pertinncia de entrada e regras de inferncia), outros parmetros, tais como:
criao automtica das funes de pertinncia e das regras de inferncia. Para melhor ilustrar
Aplicando neste caso real, os desempenhos dos sistemas de inferncia obtidos por esta
diagnosticar).
serem identificadas.
hipottico. Este exemplo muito mais simples que um banco de dados real, mas permite uma
Neste exemplo, tm-se duas condies a ser identificada (Grupo G1 e Grupo G2).
Para cada uma delas, como se pode observar pela figura, existem duas condies
Para cada elemento destes grupos so obtidos dois valores de Caractersticas (1 e 2).
Para facilitar a visualizao destes grupos foi feito a representao da Figura 5.1. O objetivo
neste exemplo criar um sistema de diagnstico que determine a condio a ser identificado
4
GRUPO G1 Grupo G1
CONDIO C2 Grupo G2
3.5
GRUPO G2
3 CONDIO C1
Caracteristica 2
2.5
1.5
1 GRUPO G2
CONDIO C2
0.5 GRUPO G1
CONDIO C1
0
0 0.5 1 1.5 2 2.5 3 3.5 4 4.5 5
Caracteristica 1
Portanto, no fim o usurio possuir um novo banco de dados composto de mdias e desvios
Caracterstica 1 Caracterstica 2
pertinncia, que melhor o represente. No exemplo proposto neste item, foi escolhido
1
u[x]
0.368
0
m - m m+
a) b)
Sendo que a funo de pertinncia pode ser representada atravs do valor mdio (m) e
uma disperso (). Sendo que, neste caso, a disperso definida pela Equao 5.3.
2
m x
GAUSS ( x; m, ) = e
Equao 5.1
= f1 Equao 5.2
65
exemplo proposto neste item, foi escolhido utilizar um fator de proporo de disperso f1 de
2,0.
Tanto o perfil quanto o fator devem ser escolhidos de acordo com conhecimentos
prvios do usurio.
Posteriormente, com cada um dos valores mdio e respectivos desvios padro, criado
uma funo de pertinncia com as equaes apresentadas na Figura 5.2. As oito funes de
pertinncia obtidas atravs de cada conjunto de mdia e desvio padro da Tabela 5.1 so
1 1
0.9 0.9
0.8 0.8
0.7 0.7
Grau de Pertinencia
Grau de Pertinencia
0.6 0.6
0.5 0.5
0.4 0.4
0.3 0.3
0.2 0.2
0.1 0.1
0 0
0 0.5 1 1.5 2 2.5 3 3.5 4 4.5 5 0 0.5 1 1.5 2 2.5 3 3.5 4
Caracteristica 1 Caracteristica 2
(a) (b)
Figura 5.3 Funes de pertinncia obtidas do exemplo da Figura 5.1, para o grupo G1
(utilizando caracterstica 1 (a) e 2 (b)).
1 1
0.9 0.9
0.8 0.8
0.7 0.7
Grau de Pertinencia
Grau de Pertinencia
0.6 0.6
0.5 0.5
0.4 0.4
0.3 0.3
0.2 0.2
0.1 0.1
0 0
0 0.5 1 1.5 2 2.5 3 3.5 4 4.5 5 0 0.5 1 1.5 2 2.5 3 3.5 4
Caracteristica 1 Caracteristica 2
(a) (b)
Figura 5.4 Funes de pertinncia obtidas do exemplo da Figura 5.1, para o grupo G2
(utilizando caracterstica 1 (a) e 2 (b) para os dois grupos).
66
descrito acima, devem-se definir as regras de inferncia que regem o sistema fuzzy, e que
Nesta metodologia, definiu-se uma regra de inferncia fuzzy padro. Para descrev-lo,
denominou-se cada condio a ser identificada como sendo Def(i), cada valor caracterstico
de entrada como sendo X(j), cada funo de pertinncia relacionada a uma condio a ser
Sendo que:
SE ...
sistema fuzzy prxima a uma condio apresentada na fase de criao do sistema fuzzy, o
fenmeno que est sendo descrito por esta entrada esta condio. Esta verificao de
se aplica as regras de inferncia da Figura 5.6 nas funes de pertinncia da Figura 5.3 e
Figura 5.4.
69
Grau de Pertinencia
0.8
0.6
0.4
0.2
0
4
3 5
4
2 3
1 2
1
0 0
Caracteristica 2 Caracteristica 1
(a)
1
Grau de Pertinencia
0.8
0.6
0.4
0.2
0
4
3 5
4
2 3
1 2
1
0 0
Caracteristica 2 Caracteristica 1
(b)
por esta metodologia na forma de rede, como ilustrado na Figura 5.8. Nesta figura as linhas
70
serem identificadas.
Nesta figura, alm da sada normalmente utilizada por um sistema fuzzy, que a sada
Figura 5.8 Esquema do sistema fuzzy obtido por esta metodologia na forma de rede.
71
5.2. TESTES
A metodologia apresentada no item 5.1, para criao automtica de sistemas fuzzy foi
para cada condio a ser identificada (parmetros de interesse, neste teste, o tipo de defeito
vibraes a serem utilizados como entrada do sistema de inferncia fuzzy. A partir do banco
iniciada com este tipo de informao bruta, sem um tratamento de sinal mais criterioso.
caractersticos.
Tabela 5.2 Tabela de variaes utilizadas na criao dos sistemas de inferncia fuzzy.
Quantidade de
Tipo de Variao Nomenclatura Variaes
Variaes
Conjuntos de Criao 1 a 10
1 a 15
Amostra 04
1 a 20
Variado
Rotao ##
400
600
Rotao 07 800
1000
1200
1400
de Vibrao PSD_64
Caractersticas 05 ENVPSD_64
PSD_128
ENVPSD_128
Triangular
05 Gaussiana
Pi
Beta
Pertinncia
73
1400 sistemas fuzzy diferentes. Destes, foram testados cerca de 980 sistemas fuzzy. Esta
grande variedade de sistemas fuzzy permitiu realizar uma anlise de sensibilidade quanto aos
Operador OR Zadeh
Alm destes, foi definido por tentativa e erro as funes de pertinncia de sada que
iro ser utilizados para a etapa de desfuzzificao. No caso de diagnstico com deteco e
classificao, foram utilizadas nos sistemas fuzzy as funes apresentadas na Figura 5.9.
pertinncia de sada so apresentadas na Tabela 5.3, sendo que cada uma delas est
Esta configurao de funes de pertinncia de sada foi adotada uma vez que estes
com a condio normal e o nvel de gravidade 10 relacionado com os defeitos utilizados para
Tabela 5.3 Nomes das variveis lingsticas das funes de pertinncia de sada.
Normal Normal
Norm al
0.5
0
0 2 4 6 8 10
Carac ters tic a
RiscadoEx t
1
0.5
0
0 2 4 6 8 10
Corros ao1E xt
0.5
0
0 2 4 6 8 10
Nvel de Gravidade
Carac ters tic a
0.5
0
0 2 4 6 8 10
Carac ters tic a
1
FuradoE x t
0.5
0
0 2 4 6 8 10
Carac ters tic a
1
Ris c adoInt
0.5
0
0 2 4 6 8 10
Nvel de Gravidade
Carac ters tic a
0.5
0
0 2 4 6 8 10
Carac terstic a
Corros ao2Int
0.5
0
0 2 4 6 8 10
Carac terstic a
1
FuradoInt
0.5
0
0 2 4 6 8 10
Nvel de Gravidade
Carac terstic a
desfuzzificao, uma vez que o resultado obtido a partir de um Valor limiar de ndice fuzzy
(ou de defeito) que vai de 0 a 1. Assim, quando o valor mximo da funo de pertinncia de
sada do sistema fuzzy da condio normal (ou seja, antes da etapa de desfuzzificao), for
menor que este nvel, o sistema fuzzy indica que o mancal possui um defeito. Quando esta
sada for maior que este nvel, o sistema fuzzy indica um mancal normal. Neste teste foi
utilizado como valor limiar de ndice fuzzy, escolhido aps alguns testes, um nvel de 0,1.
de entrada. Neste trabalho, como padro, utilizada uma funo de pertinncia de entrada
possvel ilustrar a aplicao desta metodologia no caso especfico determinado para este
funes de pertinncia que a descrevem. Cada funo de pertinncia foi calculada a partir de
uma condio experimental (neste teste, uma dada rotao e carga ver Captulo 3).
77
F u n e s d e P e rt in n c ia d e S k e w n e s s - C o n h e c im e n t o A n a lt ic o
Normal
0 .5
0
-1 -0 . 5 0 0.5 1 1 .5
C a ra c t e rs t ic a
1
RiscadoExt
0 .5
0
-1 -0 . 5 0 0.5 1 1 .5
C a ra c t e rs t ic a
1
Corrosao1Ext
0 .5
0
-1 -0 . 5 0 0.5 1 1 .5
C a ra c t e rs t ic a
1
Corrosao2Ext
0.5
0
-1 -0.5 0 0.5 1 1.5
Caracterstica
1
FuradoExt
0.5
0
-1 -0.5 0 0.5 1 1.5
Caracterstica
1
RiscadoInt
0.5
0
-1 -0.5 0 0.5 1 1.5
Caracterstica
Um dos parmetros dos sistemas fuzzy que foi variado para a anlise de sensibilidade
Perfil Fatores
Trapezoidal f1 0,5
f2 1,5
Triangular f1 2,0
Gaussiana f1 1,0
Pi f1 2,0
Beta f1 1,0
Trapezoidal
1
Triangular
Gaussiana
Pi
0.8 Beta
Valor alfa
0.6
u(x)
0.4
0.2
0
-3 -2 -1 0 1 2 3
Universo de Discurso
pertinncias, utilizaram-se, apenas com fins de validao de resultados, outros fatores que
igualam as aberturas das funes de pertinncia quela obtida com o perfil beta, conforme
pode ser observado na Figura 5.12. Estes parmetros so apresentados na Tabela 5.5.
79
Perfil Fatores
Trapezoidal f1 0,5
f2 3,28
Triangular f1 3,33
Gaussiana f1 1,98
Pi f1 3,86
Beta f1 1,0
Estes ltimos fatores s foram utilizados para verificar a influncia do perfil da funo
0.6
0.4
0.2
0
-3 -2 -1 0 1 2 3
Universo de Discurso
Algumas combinaes destas estratgias foram feitas nos testes realizados neste trabalho.
banco de dados total. O segundo, chamado de (Amostra-1 a 15), composto com metade do
banco de dados total. O terceiro, chamado de (Amostra-1 a 20), composto por todo o banco
composto por um quarto do banco de dados (que no foram utilizados na etapa de criao,
quando possvel), e foi utilizado para testar os sistemas fuzzy criados a partir dos conjuntos de
dados inteiro, e foi utilizado para testar os sistemas fuzzy criados a partir do conjunto de
criao (Amostra-Variado).
Cada um dos conjuntos de dados do item 5.2.2.1 pode ser montado utilizando-se todas
as rotaes ou apenas uma delas. Tem-se, portanto, uma variao de conjunto de dados
5.2.2.3. Formas de Clculo das Mdias e Desvios Padres das Funes de Pertinncia
Quanto criao das funes de pertinncia, estas foram construdas com os valores
mdios e desvios padres dos parmetros caractersticos (RMS, Kurtosis, etc,...) obtidos para
cada condio de carga e rotao de cada conjunto de criao do sistema fuzzy, ou seja, das
(Mdia/Amostra-Todas).
Alm disso, foram tambm utilizados a mdia e desvio padro da caracterstica para
cada sinal de vibrao, sendo este dividido em dez sinais menores. Neste caso, o clculo
denominado (Mdia/Amostra-Cada).
construdas para todos os defeitos, de modo que ao se fazer o teste possa-se identificar o tipo
fuzzy (de 0 a 1), onde acima dele o rolamento considerado normal e abaixo dele, ele
considerado com defeito (Deteco). Com esta ltima estratgia, no possvel definir qual o
contrrio dos alarmes tradicionais que utilizam, sobretudo, o RMS. Alm disso, utilizando a
lgica fuzzy, existe uma passagem contnua do estado normal para o estado com defeito, e
parmetros de anlise de vibrao que foram utilizados no sistema de inferncia fuzzy. Estes
Grupo Caractersticas
5.3. RESULTADOS
1. Beta;
2. Triangular;
3. Pi;
4. Gaussiana;
5. Trapezoidal.
muito maior que nas outras funes, sendo este de aproximadamente o dobro em relao ao
conforme ilustrado na Figura 5.11. Com isto, o universo descrito por uma nica funo de
pertinncia do tipo Beta muito maior em relao aos outros tipos de perfis de funes,
Esta constatao foi confirmada aps a utilizao dos fatores de proporo da Tabela
5.5, que igualam as aberturas ou disperses das funes de pertinncia. Nestes testes, obtida
considerando uma nica rotao (Rotao- 400, 600, 800, 1000, 1200 e 1400)), as
desempenhos dos cinco perfis foram equivalente, com 91% de acertos de deteco (Acertos
Outra caracterstica importante do perfil Beta o seu topo mais estreito, o que implica
Inexistncia, ele o nico que possui ndice de Indeciso, isto ocorre devido ao seu formato
particular, que permite um maior desvio para obter um grau mximo de pertinncia 1 da
funo, permitindo que, com o mesmo valor de entrada, vrias funes de pertinncias sejam
Beta. Isto ocorre porque nesta funo necessrio salvar apenas dois parmetros (como no
caso da funo Gaussiano), enquanto que para a funo Pi e a Triangular tm-se trs
outros, pois a funo Beta descrita apenas por uma frmula polinomial, enquanto a Pi e a
comparao, a Triangular descrita por trs funes, sendo necessrio, trs procedimentos de
comparao, e a Gaussiana descrita apenas por uma funo, porm, esta exponencial.
Com isso, percebeu-se para a estratgia de classificao, que a funo Beta necessita
um tempo mdio 28% menor em relao ao Trapezoidal na fase de teste, e 19% menor na
Esta relao de tempo diminui para o caso da estratgia de apenas deteco. Isto
f1, que indica a abertura da funo de pertinncia (apresentado no item 2.2.1 e no Apndice
C).
sistema fuzzy com a combinao de variaes apresentadas na Tabela 5.7. Com um sistema
de inferncia fuzzy definido, variou-se a disperso f1 entre 0,5 a 5,0 e foi observada a
em cada caso.
87
Tabela 5.7 Caractersticas dos sistemas de inferncia fuzzy utilizadas para a anlise
da influncia da Disperso f1
Mdia/Amostra Todas
Rotao 400
Amostra Variado
Caractersticas PSD_64
Amostra/Tipo Variado
Percebe-se que tanto para Deteco quanto para Classificao existe um mximo global de
90,00 63,00
62,00
88,00
61,00
60,00
Acertos Classificao (%)
Acertos Dianstico (%)
86,00
59,00
84,00 58,00
57,00
82,00
56,00
Acertos Diagnstico [%]
Acertos Classificao [%] 55,00
80,00
54,00
78,00 53,00
0,0 1,0 2,0 3,0 4,0 5,0
Disperso ()
Figura 5.13 - Influncia da disperso f1 sobre a desempenho tanto dos sistemas fuzzy de
deteco quanto de classificao.
88
Tabela 5.8 Tabela com mxima desempenho obtida no teste com respectivas disperses
(f1).
Percebe-se que um valor baixo para a disperso (f1) mais prejudicial para o
desempenho de diagnstico do que um valor alto. Neste exemplo, o ponto timo obtido foi de
1,1, mas pode-se afirmar que este valor timo vai depender do sistema fuzzy a ser testado.
Da anlise dos resultados obtidos, nota-se que a principal propriedade que influencia a
Atravs de anlise global dos resultados, observou-se, na maioria dos casos, a seguinte
1o. PSD_128;
2o. PSD_64;
3o. ENVPSD_128;
4o. ENVPSD_64;
5o. Var/Todos.
89
conjunto os ndice de Acertos de Normais e Acertos de Defeitos para um sistema fuzzy para
respectivamente:
desempenho (por exemplo, que o PSD_128 sempre ter um desempenho melhor que o
Var/Todos).
Um exemplo desta exceo foi observado quando se utilizou um sistema fuzzy para
aumento da resoluo de 64 (PSD_64) para 128 (PSD_128)). Neste caso, observou-se uma
ocorre, porque todos os grupos possuem a mesma informao, porm em um grupo, esta
informao est mais compacta que em outro. De certo modo, em alguns casos, uma maior
90
compactao permite ao sistema fuzzy ser mais robusto, sendo menos influenciado por
condies no controladas.
do sistema fuzzy, mais lento a resposta dele, uma vez que a quantidade de funes de
todas as rotaes (Rotao- ##), onde os grupos de caractersticas necessitaram dos seguintes
Tempo de Teste/Amostra:
de um banco de dados de criao com mistura de seqncias crtica, pois quando se utiliza
91
um banco misturado (Amostra- Variado) obtm-se 90% de Acertos Defeitos S/N, enquanto
que nos casos em que no se mistura (Amostra- 1 a 10, 1 a 15 e 1 a 20), o nmero de Acertos
Defeitos S/N nulo, indicando que existe uma grande influncia das condies no
outros).
(Amostra- Variado), a desempenho cai a praticamente zero, de modo que o sistema sempre
saindo de quase zero, para um acerto de deteco de mais 85% para Acertos de Normais e
85% para Acertos de Defeitos, para os casos com funo de pertinncia de perfil Triangular e
Beta.
para criao das funes de pertinncia, analisada apenas para sistemas que utilizam as
sendo de aproximadamente 10% maior para Acertos Defeitos S/N e 15% maior para Acertos
de Tipo.
de informao que esto mais distante do valor mdio [Figura 5.14.a]. Ao se considerar que
cada amostra independente (Mdia/Amostra- Cada), obtendo sua prpria mdia e desvio
padro [Figura 5.14.b], o conjunto que representa a condio do rolamento muito mais
1
Norm al
0.5
0
0 0.5 1 1.5 2 2.5 3
Carac ters tic a
(a)
Funes de P ertinnc ia de RM S - Conhec im ento Heurs tic o
1
Norm al
0.5
0
0 0.5 1 1.5 2 2.5 3
Carac ters tic a
(b)
Figura 5.14 - Funes de pertinncia referente caracterstica RMS para sada Normal
com mdia e desvio padro obtida por (a) todas as amostras e (b) para cada amostra.
ser observada, pois os esforos computacionais na etapa de criao e teste so muito maiores
uma vez que necessria analisar uma maior quantidade de funes de pertinncias.
93
Verificou-se que este aumento est entre 5 e 10 vezes quando se considera o Tempo de
Teste/Amostra.
no identificar o mancal defeituoso, mas sim, identificar o mancal em sua condio normal.
Constatou-se que, enquanto os sistemas alcanam um alto ndice de acertos de deteco para
as amostras de mancais de rolamentos com defeitos, para mancais com rolamentos normais,
Um sistema fuzzy que sempre indica defeito, mesmo para os casos normais,
indica normal, mesmo para mancais com defeitos, no transmite confiabilidade ao usurio.
se na maioria dos casos, um ndice de Acertos de Normais abaixo de 50%. Portanto, neste
caso, uma parte dos casos normais e a totalidade dos casos defeituosos so diagnosticadas
como defeituosas. Uma exceo obtida utilizando o perfil Beta onde se alcanou um
normais (Acertos de Normais) quanto com defeitos (Acertos de Defeitos). Este melhor
Alm disso, a tarefa simplifica-se em apenas identificar qual a condio normal. Um outro
pertinncia.
que o primeiro apenas separa o caso normal de um defeituoso, e o segundo classifica o tipo de
varivel ao problema, o Valor limiar de ndice fuzzy entre a condio normal e o defeito.
Outra anlise interessante a ser feito a comparao entre estas duas estratgias e um
alarme tradicional de nvel de RMS. Por questo de comparao, para o clculo deste alarme,
como nvel de alarme, o valor mdio mais duas vezes o desvio padro, calculados a partir de
nvel de RMS de uma amostra maior que este nvel, a amostra considerada com defeito,
Captulo 4 foi:
fica clara a vantagem de se utilizar o sistema de inferncia fuzzy, na deteco de defeito com
nenhuma funo de pertinncia ativada pelos valores de entrada do teste (ou a pertinncia
apresentadas no item 5.2.2 para verificar a influncia de um parmetro do sistema fuzzy que
Vale ressaltar que neste tipo de sistema de inferncia fuzzy, no existe a classificao
do tipo de defeito (furado, riscado, corroso,...), mas ele apenas diagnostica se o rolamento
muito inferior aos sistemas de inferncia fuzzy utilizados para classificar os tipos de defeitos.
valor limiar apresentado na Figura 5.15. Neste grfico, foram utilizadas as seguintes
definies:
1
Global = (Defeito + Normal ) [%] Equao 5.5
2
97
100,00
Performance de Acertos [%]
80,00
Banco de
Dados
60,00 Normal
Defeito
Global
40,00
20,00
0,00
0,0 0,1 0,2 0,3 0,4 0,5 0,6 0,7 0,8 0,9 1,0
Valor limiar
A partir deste grfico, percebe-se que ele possui um valor timo entre 0.1 e 0.2.
Percebe-se tambm, que quando se utiliza valor muito alto, o sistema fuzzy tende a
diagnosticar todos os dados como sendo relacionados a rolamentos com defeito (independente
Apesar disto, deve-se lembrar que existem outros sistemas fuzzy que obtiveram pontos
timos de valor limiar diferentes a este exemplo, porm o comportamento das curvas
apresentados no item 5.2.2 apresentada na Figura 5.16, sendo que a mxima desempenho
Interpretando a Figura 5.16, percebe-se que entre os sistemas fuzzy testados existe
maior quantidade de sistema fuzzy prxima mnima desempenho que de mxima (devido ao
fato da desempenho mdia estar mais prximo ao desempenho mnima). Este comportamento
agravado quanto maior for o valor limiar . A melhor distribuio de resultados foi obtida
93,8
100,0
83,7
83,8
82,5
82,1
81,7
81,7
76,7
80,0
Performance de Acertos [%]
70,4
62,8
57,6
55,4
54,7
54,0
60,0
53,4
52,6
Mnimo
51,4
49,6
49,2
49,2
49,2
48,8
48,8
48,3
48,5
Mdia
45,0
Mximo
40,0
20,0
0,0
0,10 0,20 0,30 0,40 0,50 0,60 0,70 0,80 0,90
Valor limiar (a)
utilizados para comparar com os outros sistemas de diagnstico criados neste trabalho.
sistemas de inferncia fuzzy testadas baixa, com alguns sistemas tendo desempenho de
0.0%.
80,0
Performance de Acerto [%]
65,9
60,0
Mnimo
Mdia
Mximo
40,4
40,0
20,0
0,0 0,0
0,0
Diagnstico Classificao
Tipo de Performance
escolhido.
desempenho do sistema fuzzy a escolha das caractersticas que descrevem as assinaturas dos
resultados foram obtidos para os espectros de freqncia do sinal de maior resoluo, que
estatsticos e escalar.
Outro aspecto que deve ser considerada o esforo computacional necessrio para
implantar o sistema fuzzy. Muitas vezes, uma melhora de desempenho de 10% acarreta um
aumento de tempo de teste de 10 vezes, o que pode tornar invivel a sua utilizao.
confiabilidade. Desta maneira, flutuaes nas caractersticas dos sinais em teste, no levam a
diagnsticos errados. Por isso, deve-se ter muito cuidado para escolher as amostras que iro
compor o sistema fuzzy, que tanto pode resultar em um baixo ndice de descrio dos padres
a serem diagnosticados, quanto a distores das descries dos defeitos, que pode induzir a
um diagnstico falso.
normal, ignorando os outros padres que compe o banco de dados de defeitos, permite um
proposto para trabalhos futuros um outro layout de sistema de diagnstico, que utiliza um
101
sistema de inferncia fuzzy para a etapa da deteco, e nos casos diagnosticados como sendo
com defeito, a classificao do tipo de defeito realizada por um outro sistema de inferncia
fuzzy.
Alm disso, conforme pde ser notado atravs das anlises realizadas percebe-se que
diversos fatores influenciam a desempenho dos sistemas de inferncia fuzzy. Entre eles,
97% para deteco). Esta metodologia proporcionou um ganho no tempo para criao do
sinais de vibrao de defeitos de rolamentos), porm, o conceito utilizado neste trabalho pode
6. FUZZY C-MEANS
porm, ele no fornece automaticamente a regra de inferncia que relaciona estas funes de
um nico grupo. Para estes casos, proposto neste trabalho um algoritmo que permite utilizar
o algoritmo do FCM.
Um outro modo de se interpretar este algoritmo a ser apresentado, que ele permite
determinado grupo, criando uma regra de inferncia mais complexa do que a utilizada
normalmente no FCM.
nmero de cluster c maior que g. Neste trabalho foi escolhido utilizar um valor de c
usurio.
Este exemplo muito mais simples que um banco de dados real, mas permite uma melhor
condies a ser identificada (Grupo G1 e Grupo G2). Para cada uma delas, como se pode
observar pela figura, existem duas condies experimentais (Condio C1 e Condio C2).
Para cada elemento destes grupos so obtidos dois valores de Caractersticas (1 e 2).
Para facilitar a visualizao destes grupos foi feito a representao da Figura 6.1. O objetivo
neste exemplo criar um sistema de diagnstico que determine a condio a ser identificado
Neste exemplo, existem dois grupos a serem identificados, porm, como podem ser
observados na Figura 6.1, os dados podem ser separados em quatro clusters distintos.
104
GRUPO G1
CONDIO C2
GRUPO G2
CONDIO C1
GRUPO G2
CONDIO C2
GRUPO G1
CONDIO C1
exemplo foi definido arbitrariamente um valor de 2.0. Uma vez que como o exemplo muito
Utilizando o algoritmo FCM com um nmero de cluster igual a dois, foram obtidos as
(a)
(b)
Ambas as funes de pertinncias dos clusters obtidos englobaram dados dos dois
Portanto, uma melhor escolha, confirmada visualmente na Figura 6.1, utilizar quatro
clusters. Ao se aplicar o FCM encontrou-se as funes de pertinncia da Figura 6.4 para cada
na Figura 6.1.
compe o banco de dados para cada um dos clusters. Nesta figura, utilizou-se a seguinte
106
grupo 2.
(a)
(b)
(c)
(d)
Aps se alcanar os diversos clusters resta definir qual deles est relacionada com os
grupos a serem identificados. sobre este problema que o procedimento a ser apresentado a
seguir se aplicar.
108
Figura 6.5 Graus de pertinncia de cada uma das 80 amostras do banco de dados de
exemplo relacionadas a um determinado cluster.
Conhecendo a relao que existe entre cada amostra e o grupo a qual ele pertence,
tem-se que os graus de pertinncias ideais para cada amostra so mostrados na Figura 6.6, ou
seja, valor 1 para o grupo ao qual pertence e 0 para o outro. Este vetor de graus de pertinncia
para cada grupo utilizado para relacionar um cluster ao grupo mais semelhante.
109
nmero total de amostra no banco de dados, xj como sendo um objeto do banco de dados e
(ideal)k,j como o grau de pertinncia ideal deste objeto a um grupo Gk, tem-se para estes
1 , x j Gk
(ideal )k , j = j = 1,..., N e k = 1,..., g Equao 6.1
0 , x j Gk
seguinte comparao:
N
indice mx i , j k , j i = 1,..., c Equao 6.2
k =1,..., g j =1
110
Uma vez que os graus de pertinncias sofrem a restrio da Equao 2.9, definiu-se
N
k , j = i , j i / indice mx i , j k , j = k Equao 6.3
i k =1,..., g j =1
Esta operao pode ser vista na Figura 6.7 (em comparao Figura 6.5), onde o grupo 1
de pertinncias relacionadas a cada grupo pode ser obtida de modo anlogo aos graus de
Figura 6.8.
Figura 6.7 Graus de pertinncia de cada uma das 80 amostras do banco de dados de
exemplo relacionadas a um determinado grupo.
111
(a)
(b)
padro existe este tipo de informao, e ele deve ser utilizado. Um modo de se ver o
Outra modificao proposta aqui , uma vez que j existe um prvio conhecimento dos
como sendo elementos deste banco de dados ou vetores de caractersticas mdios que
representam um grupo que se quer obter o cluster. No exemplo apresentado acima, os centros
bi iniciais poderiam ser, por exemplo, {1,1}, {2,2}, {4,3} e {4,1}. Esta pequena modificao
que descreve um problema, quando no existem informaes descritivas sobre ele. Portanto,
existem diversas particularidades com relao ao FCM e o sistema de inferncia fuzzy obtido
com regras descritivas lgicas, entre eles, podemos apresentar a funo de pertinncia fuzzy.
Como visto no item 2.4.3, as funes de pertinncia so descritas pela equao abaixo.
1
i , j = 2
i = 1,..., c e j = 1,..., N Equao 6.4
c di, j m 1
d
k =1 k , j
Por esta equao verifica-se que diferente das outras funes de pertinncias
comumente utilizadas para o sistema de inferncia fuzzy (mostrado no Apndice C), esta
depende no apenas de seus prprios dados, mas tambm das outras funes descritas no
universo de discurso. Isto pode ser visto, por exemplo, quando se utiliza um perfil de funo
de pertinncia gaussiana, onde a funo descrita por um valor mdio e uma abertura ou
113
disperso. Portanto, ela independe das outras funes descritas no universo de discurso,
no descrito explicitamente pelas caractersticas de entrada, mas sim pela distncia destes
aos vetores prottipos bi. Rigorosamente, pode-se dizer que os valores caractersticos de
mtodo proposto para obter a regra de inferncia). Considerando que cada cluster obtido pelo
SE {[X] [N(k,1)] OU [X] [N(k,2)] OU ... OU [X] [N(k,p(k))]} ENTO [Y(k)] [Gk]
SENO ...
...
identificada)
de inferncias.
6.3. TESTES
fuzzy necessita de poucos parmetros para ser utilizado. Estes parmetros podem ser
basicamente divididos nas categorias apresentadas neste item. Nos testes realizados foram
fuzzy.
Nos testes realizados foi definida uma menor quantidades de estratgias de diagnstico (ou
fuzzy, uma vez que o algoritmo iterativo podendo no alcanar um mnimo global. Foram
115
6.1.
Tabela 6.1 Tabela com o resumo das variaes de complexidades utilizadas nos testes
deste algoritmo de criao de sistemas fuzzy.
considerando apenas uma nica rotao. Com relao s outras divises possveis, carga e
defeitos, quando no dito quais as divises utilizadas, considerar que foi analisado um banco
anlise de vibrao utilizados para a criao do sistema fuzzy. Foram utilizados 5 grupos de
Tabela 6.2 Resumo dos grupos de parmetros de anlise de vibrao utilizados para
testar o algoritmo de FCM.
Grupo Caractersticas
Em todos as anlises onde este parmetro no era o foco de comparao, foi utilizando
o valor de m = 2,0. No caso da anlise da influncia deste parmetro, ele foi variado entre 1,1
e 4,0.
117
Nos casos onde este parmetro no analisado, foi utilizado um nmero de centro c =
3 para cada condio a ser diferenciado. Por exemplo, onde se queiram diferenciar todos os
defeitos (NORMAL, FURO INTERNO E EXTERNO, CORROSO, ...), foi utilizado c = 27.
Para a anlise da influncia deste parmetro, foram utilizados (c = 27, 54, 81).
O critrio de parada utilizado durante o treinamento (ou seja, a mxima variao dos
6.4. RESULTADOS
Aps diversos testes, com diversos tipos de banco de dados de entradas (utilizando as
padro onde se pode determinar o expoente fuzzy (m) timo. Estas caractersticas dificultam a
obteno dos valores timos, para cada combinao de variaes no algoritmo de criao de
sistema fuzzy.
118
Para uma anlise mais apurada da influncia deste parmetro, foram escolhidos trs
expoentes fuzzy (m = 1.2, 2.0 e 3.0). Um resumo de seus desempenhos apresentado abaixo.
100,0%
90,0%
Acertos de Classificao [%]
80,0%
70,0%
60,0%
51,1% Mnimo
47,8% 49,3%
50,0% Mdia
40,0% 36,3% Mximo
33,9% 33,2%
30,0%
20,0%
9,6% 10,0% 11,1%
10,0%
0,0%
1,2 2,0 3,0
100,0%
90,7% 88,9% 90,0%
90,0% 84,4% 83,4% 83,1%
[%] [%]
70,0%
deDeteco
60,0%
Mnimo
50,0% Mdia
40,0% Mximo
Acertosde
Acertos
30,0%
20,7%
20,0%
10,0%
0,0%
1,2 2,0 3,0
Figura 6.11 - Desempenho de acerto de deteco dos sistemas FCM influenciados pelos
diversos expoentes fuzzy.
119
250
200
200
No. de Iteraes (#)
154
150
Mnimo
Mdia
100 Mximo
81
62
51
50 36
25 28
14
0
1,2 2,0 3,0
Com relao ao desempenho de acerto na deteco e classificao, nada pode ser dito,
sendo que no foi encontrada nenhuma relao entre o expoente fuzzy (m) e a desempenho do
sistema FCM.
Para esta anlise, aps diversos testes, com diversos tipos de banco de dados de
parmetros de anlise de vibrao apresentados na Tabela 6.1 e na Tabela 6.2), foram obtidos
os diversos desempenhos apresentados abaixo. Neste caso, foram analisados trs nmeros de
100,0%
90,0%
Acertos de Classificao [%]
80,0%
70,0%
60,0%
Mnimo
47,8% 49,6%
50,0% 46,7% Mdia
40,0% Mximo
33,9% 33,3% 33,4%
30,0%
20,0%
10,0% 8,5% 8,9%
10,0%
0,0%
27 54 81
100,0%
88,9% 90,7% 88,9%
90,0%
83,4%
80,5% 80,0%
[%] [%]
80,0% 76,3%
Diagnstico
70,0%
deDeteco
60,0%
Mnimo
50,0% Mdia
40,0% Mximo
Acertosde
Acertos
30,0%
22,2%
20,0% 16,3%
10,0%
0,0%
27 54 81
Figura 6.14 Desempenho de acerto de deteco dos sistemas FCM influenciados pelo
nmero de centros (ou clusters).
121
250
200
200
No. de Iteraes (#)
154
150 141
Mnimo
Mdia
100 Mximo
65
57
51
50
25
1 1
0
27 54 81
Do mesmo modo que o expoente fuzzy (m), no foi observado, atravs dos testes, uma
classificao. O que foi observado, que uma menor quantidade de centro (c = 27) permitiu
um comportamento mais estvel dos resultados obtidos, ou seja, menor variao quando se
Outro item interessante a ser observado com relao ao nmero de iteraes, pois foi
54).
122
desempenho do sistema fuzzy, foram realizados diversos testes com diversas combinaes das
100,0%
96,7%
96,7%
86,7%
85,6%
100,0%
Acertos de Classificao [%]
73,3%
72,8%
69,1%
66,5%
65,2%
80,0%
61,3%
55,9%
Mnimo
60,0%
44,6%
Mdia
36,7%
36,7%
33,3%
33,3%
33,3%
33,3%
33,3%
Mximo
40,0%
20,0%
0,0%
9)
9)
9)
)
9)
18
18
18
=
=
=
=
(c
(c
(c
c
(c
(c
(c
)(
)
(3
(2
(1
,3
)
(3
(2
(1
,2
(1
100,0%
100,0%
100,0%
100,0%
100,0%
96,7%
95,6%
100,0%
[%]
80,7%
79,3%
78,6%
74,3%
71,7%
69,9%
de Diagnstico
80,0%
63,3%
[%]
55,9%
53,3%
50,0%
Mnimo
de Deteco
60,0%
Mdia
36,7%
33,3%
33,3%
33,3%
Mximo
40,0%
Acertos
Acertos
20,0%
0,0%
9)
9)
9)
)
9)
18
18
18
=
=
=
=
(c
(c
(c
c
(c
(c
(c
)(
)
(3
(2
(1
,3
)
(3
(2
(1
,2
(1
Figura 6.17 Desempenho de acerto de deteco dos sistemas FCM influenciados pelo
nmero de centros (ou clusters) e pela complexidade do banco de dados, considerando
uma nica carga ou todas (nas condies apresentadas na Figura 6.16).
120
97
100
No. de Iteraes (#)
80
80
Mnimo
60
56
55
54
60 Mdia
53
Mximo
40
29
27
25
23
23
19
15
20
10
8
6
0
9)
9)
9)
)
9)
18
18
18
=
=
=
=
(c
(c
(c
c
(c
(c
(c
)(
)
(3
(2
(1
,3
)
(3
(2
(1
,2
(1
acertos de 100%, tanto para a deteco quanto para a classificao, que no observado
Para enfatizar esta idia, foram realizados outros testes onde se variaram os grupos de
anteriormente. O resumo dos resultados obtidos apresentado na Figura 6.19, Figura 6.20 e
Figura 6.21.
100,0%
90,0% 85,6%
Acertos de Classificao [%]
80,0%
70,0% 66,5%
60,0%
Mnimo
47,8%
50,0% Mdia
40,0% Mximo
33,9% 33,3%
30,0%
20,0%
10,0%
10,0%
0,0%
(Todos Defeitos) (Normal + Furos)
Defeitos analisados
100,0% 95,6%
88,9%
90,0% 83,4%
78,6%
[%] [%]
80,0% 76,3%
Diagnstico
70,0%
60,0%
Deteco
50,0%
Mnimo
50,0% Mdia
Mximo
dede
40,0%
Acertos
30,0%
Acertos
20,0%
10,0%
0,0%
(Todos Defeitos) (Normal + Furos)
Defeitos analisados
Figura 6.20 Desempenho de acerto de deteco dos sistemas FCM influenciados pela
complexidade do banco de dados, considerando os defeitos que compe o banco de
dados.
180
160 154
140
No. de Iteraes (#)
120
97 Mnimo
100
Mdia
80
Mximo
60 51
40
25 25
20 10
0
(Todos Defeitos) (Normal + Furos)
Defeitos analisados
Figura 6.21 Nmero de iteraes no treinamento dos sistemas FCM influenciado pela
complexidade do banco de dados, considerando os defeitos que compe o banco de
dados.
126
de dados (ou seja, ao se passar de 09 grupos de defeitos para 03 (NORMAL, FURO PISTA
os parmetros de anlise de vibrao utilizados como entrada para o sistema fuzzy criado pelo
algoritmo FCM.
Para o estudo desta varivel, foi considerado o diagnstico de todos os defeitos e com
100,0%
Acertos de Classificao [%]
90,0%
80,0%
70,0%
47,8%
47,4%
60,0% Mnimo
41,1%
38,5%
38,5%
50,0%
34,3%
Mdia
34,1%
33,4%
32,6%
31,9%
29,0%
27,8%
40,0% Mximo
23,0%
20,7%
30,0%
10,0%
20,0%
10,0%
0,0%
4
)
S
21
43
65
_6
O
TR
SD
a
a
1
22
44
U
VP
4(
O
4(
4(
_6
EN
_6
_6
SD
SD
SD
VP
VP
VP
EN
EN
EN
Parmetros Utilizados
88,9%
88,9%
88,9%
87,4%
87,0%
100,0%
84,1%
83,0%
83,0%
80,4%
79,7%
[%]
77,4%
77,0%
76,7%
76,3%
90,0%
Diagnstico
80,0%
[%]
70,0%
Deteco
60,0% Mnimo
50,0% Mdia
40,0% Mximo
Acertosdede
30,0%
Acertos
20,0%
10,0%
0,0%
4
)
S
21
43
65
_6
O
TR
SD
a
a
1
22
44
U
VP
4(
O
4(
4(
_6
EN
_6
_6
SD
SD
SD
VP
VP
VP
EN
EN
EN
Parmetros Utilizados
Figura 6.23 - Desempenho de acerto de deteco dos sistemas FCM influenciados pelos
parmetros de entrada utilizados (considerando todos os defeitos).
128
180
160 154
No. de Iteraes (#)
140
120
99 Mnimo
100 92
78 Mdia
80
59 Mximo
60 53 48
41 44
34
40 31 26 25 28 32
20
0
4
)
S
21
43
65
_6
O
TR
SD
a
a
1
22
44
U
VP
4(
O
4(
4(
_6
EN
_6
_6
SD
SD
SD
VP
VP
VP
EN
EN
EN
Parmetros Utilizados
Figura 6.24 - Nmero de iteraes no treinamento dos sistemas FCM influenciado pelos
parmetros de entrada utilizados (considerando todos os defeitos).
Como pode ser percebido na Figura 6.22, existe uma grande influncia dos parmetros
classificao foi obtido utilizando o grupo OUTROS (constitudo por valor de RMS, Kurtosis
e ER do sinal), que representa o grupo mais simples de entradas utilizado. Este fato enfatiza
FCM, uma vez que o banco de dados mais simples (composto da menor quantidade de
mesmo comportamento, principalmente quando comparado o valor mdio obtido pelo sistema
Porm, esta melhor desempenho tem um custo, pois o nmero de iteraes (ou seja, o
tempo de processamento) necessrias para terminar o algoritmo FCM final maior para os
sistemas fuzzy criado a partir do grupo OUTROS do que a partir dos outros grupos.
129
apenas uma carga e de apenas 3 grupos de defeitos como os apresentados na Figura 6.19 e na
Figura 6.20).
Tabela 6.3 Tabela com as estratgias que obtiveram a melhor desempenho de acerto
de deteco e classificao utilizando o algoritmo FCM.
No. de Centros 27 27
Pelas anlises realizadas neste trabalho com relao ao algoritmo do FCM, percebe-se
que o varivel de maior influncia sobre o desempenho do sistema fuzzy criado atravs do
sistema fuzzy. A escolha deste grupo de parmetros est ligada diretamente com a
mximos locais, no existe a garantia que nos testes realizados neste trabalho foram
alcanados os mximos globais. Para esta anlise seria necessrio o estudo dos critrios de
fuzzy, no foi possvel determinar um conjunto de fatores otimizados (por exemplo, expoente
destes valores timos seria possvel apenas aps uma exaustiva varredura de todos os
7. CONCLUSO
mtodos. Esta eficincia baseada na automatizao para criao dos critrios de deteco e
Para o sistema de inferncia fuzzy foi feito um programa de criao de sistema fuzzy
utilizando esta metodologia, com grande preocupao com a interface grfica com o usurio e
defeitos. A partir destes sistemas fuzzy, analisou-se a influncia no diagnstico tanto das
caractersticas dos sinais que so utilizadas como entrada quanto dos parmetros do sistema
fuzzy.
um outro algoritmo que, a partir destas funes de pertinncias obtidas, possibilita encontrar a
regra de inferncia que relaciona estas funes de pertinncia ao grupo que se quer identificar.
obtido dos sinais experimentais que so usados como entrada para o diagnstico.
Alm das metodologias apresentadas neste trabalho, realizada uma comparao com a
desempenho de redes neurais (MLP e PNN, apresentadas no item 1.2.5) 41 que utilizaram o
Tabela 7.1 Resumo das mximas desempenho obtidas com cada metodologia
Nestes testes, o melhor resultado para deteco e classificao foi obtido atravs da
sistema fuzzy ser inferior aos obtidos pelas redes neurais, ele apresenta diversas outras
vantagens, como ser um modelo aberto ajustvel (ao contrrio da rede neural que um
modelo do tipo caixa preta) e tambm permitir que o conhecimento heurstico seja adicionado
por ele ser um mtodo que utiliza apenas um parmetro escalar de anlise de vibrao para
diagnstico. Outra limitao que ele s faz a deteco da falha e no sua classificao,
necessitando de uma anlise mais aprofundada, por um especialista, para classificar o tipo de
falha ocorrida.
dados a ser analisado. Esta relao limita o grau de complexidade do diagnstico que se quer
realizar, restringindo em demasia a sua aplicao, devendo sua escolha ser analisado com
maior critrio.
um mancal normal, ignorando os outros padres que compe o banco de dados de defeitos,
Portanto, proposto para trabalhos futuros um outro layout de sistema de diagnstico, que
Uma outra proposta para trabalhos futuros a utilizao de uma das caractersticas do
sistema fuzzy (tanto do sistema de inferncia fuzzy quanto do algoritmo Fuzzy C-Means), que
seria a utilizao dos dados analticos (utilizados neste trabalho) em conjunto com
8. BIBLIOGRAFIA
1. ALMEIDA, R.G.; VICENTE, S. A. S; PADOVESE, L. R.. New Technique for Evaluation of Global
velocidades de operao de (600 a 12000) rpm bases para especificao e padres de avaliao.
3. AYOUBI, M.; ISERMANN, R.. Neuro-fuzzy systems for diagnosis. Fuzzy Sets and Systems, v. 89, p.
289-307, 1997.
4. BARKOV, A.; BARKOVA, N.. Condition Assessment and Life Prediction of Rolling Element Bearings
5. BERRY, J. B.. How to track rolling bearing health with vibration signature analysis. Sound and
6. BILLAUDEL, P.; DEVILLEZ, A.; LECOLIER, G. V.. Desempenho evaluation of fuzzy classification
methods designed for real time application. International Journal of Approximate Reasoning, v. 20,
p. 1-20, 1999.
7. CHEN, L.-H.; KAO, C.; KUO, S.; WANG, T.-Y.; JANG, Y.-C.. Productivity Diagnosis via Fuzzy
8. CHEN, M.-S.; WANG, S.-W.. Fuzzy clustering analysis for optimizing fuzzy membership functions.
9. CHENG, T. W.; GOLDGOF, D. B.; HALL, L. O.. Fast fuzzy clustering. Fuzzy Sets and Systems, v. 93,
p. 49-56, 1998.
10. COX, E.. The Fuzzy Systems Handbook. Ed. AP Professional, 615 p., 1994.
135
11. DRON, J. P.; RASOLOFONDRAIBE, L.; BOLAERS, F.; PAVAN, A.. High-resolution Methods in
Vibratory Analysis: Application to Ball Bearing Monitoring and Production Machine. International
13. FLANAGAN, M.. Innovative tools for automatic vibration analysis and diagnosis 1a. part. Machine,
14. FLANAGAN, M.. Innovative tools for automatic vibration analysis and diagnosis 2a. part. Machine,
15. FLORES-SINTAS, A.; CADENAS, J. M.; MARTIN, F.. Membership functions in the fuzzy C-means
16. FUJIMOTO, R. Y.. Sistema fuzzy para diagnstico de defeitos em mancais de rolamentos. 2002, 85
17. GRAUEL, A.; LUDWIG, L. A.; KLENE, G.. Comparison of Different Intelligent Methods for Process
and Quality Monitoring. International Journal of Approximate Reasoning, v. 16, p. 89-117, 1997.
18. GOLDMAN, S.. Vibration Spectrum Analysis: A practical approach. Industrial Press Inc., 1a. ed,
1991.
19. HENG, R. B. W.; NOR, M. J. M.. Statistical Analysis of Sound and Vibration Signals for Monitoring
operating speeds from 10 to 200 rev/s - Basis for specifying evaluation standards: ISO 2372-1994:
vibration by measurements on non-rotating parts: ISO 10816-1: General guidelines, ISO, 1995.
22. JACK, L. B.; NANDI, K.. Support Vector Machines for Detection and Characterization of Rolling
Element Bearing Faults. Proc. Instn. Mech. Engrs., v. 215, Part C, p. 1065-1074, 2001.
23. JEFFRIES, M.; LAI, E.; PLANTENBERG, D. H.; HULL, J. B.. A fuzzy approach to the condition
monitoring of a packaging plant. Journal of Materials Processing Technology, v. 109, p. 83-89, 2001.
136
24. JOENTGEN, A.; MIKENINA, L.; WEBER, R.; ZEUGNER, A.; ZIMMERMANN, H.-J.; Automatic
fault detection in gearboxes by dynamic fuzzy data analysis. Fuzzy Sets and Systems, v. 105, p. 123-
132, 1999.
25. JOENTGEN, A.; MIKENINA, L.; WEBER, R.; ZIMMERMANN, H. J.. Dynamic Fuzzy Data Analysis
Based on Similarity Between Functions. Fuzzy Sets and Systems, v. 105, p. 81-90, 1999.
26. JONES, R. M.. Enveloping for Bearing Analysis. Sound and Vibration, p. 10-15, Fevereiro de 1996.
27. KARNIK, N. N.; MENDEL, J. M.. Operations on Type-2 Fuzzy Sets. Fuzzy Sets and Systems. v. 122,
p. 327-348, 2001.
28. KARTALOPOULOS, S. V.. Understanding Neural Networks and Fuzzy Logic: Basic Concepts and
29. KIMURA, Y.. Maintenance Tribology: Its Significance and Activity in Japan. Wear, v. 207, p. 63-66,
1997.
30. LI, B.; CHOW, M.; TIPSUWAN, Y.; HUNG, J. C.. Neural-Network-Based Motor Rolling Bearing
2000.
31. LIU, T. I.; SINGONAHALLI, J. H.; IYER, N. R.. Detection of Roller Bearing Defects using Experts
System and Fuzzy Logic. Mechanical Systems and Signal Processing, v. 10 n. 5, p. 595-614, 1996.
32. LOCKHEED MARTIN MICHOUD SPACE SYSTEMS. Vibration Standard for New and Rebuilt
33. LOPES, T. A. P.; TROYMAN, A. C. R.. Manuteno Preditiva por Vibraes: o Sistema AD4.
34. MATHWORKS, THE. Fuzzy Logic Toolbox: For Use With MATLAB, Users Guide. Version 2.,
35. MECHEFSKE, C. K.. Objective Machinery Fault Diagnosis Using Fuzzy Logic. Mechanical Systems
36. MENON, A. K.; BOUTAGHOU, Z.-E.. Time-Frequency Analysis of Tribological Systems Part I:
38. MORI, K.; KASASHIMA, N.; YOSHIOKA, T.; UENO, Y.. Prediction of spalling on a ball bearing by
applying the discrete wavelet transform to vibration signals. Wear, v. 195, p. 162-168, 1996.
39. NSK. NSK Bearing Doctor: Diagnstico Rpido de Ocorrncia em Rolamentos. 2002.
40. PADOVESE, L. R. Comparison of neural networks performance for fault classification in rolling
11, 1999.
41. PADOVESE, L. R. Automatizao de Diagnstico de Falhas em Plantas Industriais, 2002, 142 p.,
42. PHAM, D. L.. Spatial Models for Fuzzy Clustering. Computer Vision and Image Understanding, v.
43. PINTO, C.. Mastering electrical motor failures. Experts on Maintenance, Disponvel em:
44. PROAKIS, J.G.; MANOLAKIS, D.G.. Digital Signal Processing, 3rd Ed., Prentice Hall, 1996.
45. SHAW, I. S.; SIMES, M. G.. Controle e Modelagem Fuzzy. Ed. Edgard Blcher, 1999.
46. SHIROISHI, J.; LI, Y.; LIANG, S.; KURTESS, T.; DANYLUK, S.. Bearing Condition Diagnostics via
Vibration and Acoustic Emission Measurements. Mechanical Systems and Signal Processing, v. 11, n.
5, p. 693-705, 1997.
47. SKF CONDITION MONITORING. Prism4 for Windows: User Manual, 1997.
48. SKF, Bearing Failures and their Causes, Product Information PI401, 1994.
49. SYTSMA, S.. Quality and Statistical Process Control. Disponvel em:
http://www.isixsigma.com/offsite.asp?A=Fr&Url=http://www.sytsma.com/tqmtools/charts.html.
50. TANDON, N.. A Comparison of Some Vibration Parameters for the Condition Monitoring of Rolling
51. TANDON, N.; CHOUDHURY, A.. A Review of Vibration and Acoustics Measurement Methods for the
52. TARIFA, Enrique E.; SCENNA, Nicols J.. Fault Diagnosis, Direct Graphs, and Fuzzy Logic.
53. TSOUKALAS, L. H.; UHRIG, R. E.. Fuzzy and Neural Approaches in Engineering. John Wiley &
54. UPADHYAYA, B. R.; YAN, W.; BEHRAVESH, M. M.; HENRY, G.. Development of a diagnosis
expert system for eddy current data analysis using applied artificial intelligence methods. Nuclear
56. VICENTE, S. A. da S.; MASOTTI, P. H. F.; ALMEIDA, R. G. T. de; TING, D. K. S.; PADOVESE, L.
R.. Automatic Diagnosis of Defects in Bearings Using Fuzzy Logic. Anais do COBEM 2001, 2001.
57. VICENTE, S. A. V.; FUJIMOTO, R. Y.; PADOVESE, L. R.. Rolling Bearing Fault Diagnostic System
Using Fuzzy Logic. The 10th IEEE International Conference on Fuzzy Systems, v. 2, 2001.
58. YANG, B.-S.; JO, Y.-C.; LIM, D.-S.. Defect Diagnostics of Rolling Element Bearing Using Fuzzy
59. ZENG, W. Z.. Discussion on Maintenance Strategy, Policy and Corresponding Maintenance Systems in
60. WEI, J.. Recommended Initial Alarm Criteria for Bearing Condition Assessment Using Enveloped
61. WIER, W.. How to Use the Statistical Alarms Wizard in Machine Analyst . SKF Application Note,
CM3089, 2004.
139
APNDICE
140
manuteno preditiva. Com esta ferramenta, pode-se detectar e estabelecer uma tendncia de
desenvolvimento das falhas. Entre as falhas que podem ser estudadas atravs da anlise de
entre outros.
dados tem tido seu preo bastante reduzido nos ltimos anos;
equipamentos;
frequencial.
141
parmetros fornece informaes mais precisas em uma situao particular, tanto com relao
equipamento alertando ou alarmando para a necessidade de uma anlise mais detalhada tanto
Entre estes, pode-se citar os apresentados na Tabela A.1 e na Tabela A.2 1,19,50,51. Estes
parmetros foram utilizados nos testes realizados para este trabalho. Eles foram aplicados
tanto para o sinal de vibrao em acelerao e para seu sinal de envelope (apresentado no item
3 do Apndice A).
Alm destes, existem outros que so representados por combinao entre dois
Parmetro Equao
Fator de Crista 19 Xmx( x(t ))
Fc( x(t )) =
Kurt ( x(t ))
Fator K 1 Fk ( x(t )) = Vef ( x(t )) Kurt ( x(t ))
espectro e a progresso da falha. Para a progresso da falha, amplamente aceito que 80%
das falhas em rolamento do tipo localizadas ocorrem passando por quatro estgios 5:
excitadas.
determinar as freqncias das vibraes (radiais e axiais) geradas por estes defeitos, e,
Freqncia Equao
Freqncia de gaiola S d
G = 1 cos( c )
2 D
Freqncia de rotao do D. S d2
B = 1 2 cos 2 ( c )
elemento 2.d D
Freqncia de defeito no
DB = 2. B
elemento
na amplitude da freqncia que podem ser utilizados tambm para o diagnstico de defeitos.
Parmetro Equao
Amplitude da Relacionados s seguintes freqncias:
freqncia de 9 freqncia de rotao do eixo e suas harmnicas;
defeito 9 freqncia de defeitos localizados em rolamentos ou
Energia de uma engrenamentos;
banda de 9 entre outros.
freqncia
Razo de Pico n
N espectro X f ( j )
Rp( x(t )) =
j =1
N espectro
X
j =1
f ( j)
3. Envelope
informao mais utilizada desta ferramenta o seu espectro, que informa a freqncia de
sua fase inicial esto em uma faixa de alta freqncia (>5kHz). Normalmente as freqncias
de falhas de rolamento modulam (em amplitude) uma freqncia nesta faixa. Isto permite que
Este sinal utilizado nos testes apresentados neste trabalho, em conjunto com alguns
4. Outros
Outros mtodos utilizados que trabalham com parmetros vetoriais (como o DEP),
38 11
so: transformada wavelet , modelos paramtricos auto-regressivos , distribuio tempo-
programa foi feito como script do MatLab. Neste programa teve-se grande preocupao
quanto interface com o usurio. Todas as janelas grficas apresentadas ao longo deste texto
Este programa foi desenvolvido para obter uma maior flexibilidade do sistema fuzzy
definida na metodologia apresentada acima e tambm por regras de inferncia obtidas por
Funes de Pertinncia de Carga - Conhecimento Analtico Funes de Pertinncia de Carga - Conhecimento Heurstico
Norm al
1
0.5
0 0.8
0 5 10 15 20 25 30 35
Leve
0.6
1 Caracterstica
Ris c ado
0.4
0.5
0.2
0
0 5 10 15 20 25 30 35
0
Corros ao 1
1 Caracterstica 0 5 10 15 20 25 30 35
0.5 Caracterstica
0
0 5 10 15 20 25 30 35
Corros ao 2
1 Caracterstica 1
0.5 0.8
P es ado
0 0.6
0 5 10 15 20 25 30 35
1 Caracterstica 0.4
Furado
0.5 0.2
0 0
0 5 10 15 20 25 30 35 0 5 10 15 20 25 30 35
Caracterstica Caracterstica
(a) (b)
5. Funes de Pertinncia
pertinncia. As opes de perfis, que podem ser escolhidas pelo usurio, so as apresentadas
Trapezoidal
Triangular
Gaussiana
Pi
Beta
149
pertinncia (valor mdio e desvio padro dos valores caractersticos) podem ser inseridos no
sistema fuzzy atravs de uma interface grfica, ou, como foi utilizado neste trabalho,
variveis caractersticas.
6. Operadores Lgicos
Zadeh
Mean
Mean2
Mean
Produto
Bounded Sum
Yager
Zysno
Dubois.
Zadeh
Yager
Sugeno
Threshold
Cosine
150
7. Operador THEN
As funes que podem ser utilizadas para este operador, so as mesmas descritas no
Mnimo
Produto
8. Operador de Agregao
As funes que podem ser utilizadas para este operador, so as mesmas descritas no
Mximo
Soma
9. Operador de Desfuzzificao
As funes que podem ser utilizadas para este operador, so as mesmas descritas no
Centride
Bisetor
MOM (mdia do mximo)
SOM (menor dos mximos)
LOM (maior dos mximos)
funes de pertinncia que o nmero de pontos que as funes de pertinncia devem ser
pontos muito grande torna o sistema muito lento, porm, ele permite definir mais pontos que
Alm da regra padro definida na Figura 5.5, referente aos Conhecimentos Analticos,
regras (conforme exemplificado na Figura B.3, que tambm apresenta exemplos de algumas
regras de inferncias), que escolhido empiricamente pelo usurio. A regra padro proposta
na metodologia representada nesta mesma figura como Operador Geral AND, enquanto os
pesos de relevncia.
152
Nesta parte do programa, o usurio poder testar se um dado vetor descrito por
criado previamente atravs deste programa. Como entrada, deve-se fornecer os valores
caractersticos referentes a uma dada condio de teste, obtendo como sada a funo de
pertinncia resultante, bem como o seu respectivo valor desfuzzificado (conforme exemplo da
Figura B.4).
Alm deste valor de sada, as amplitudes resultantes das regras de cada possvel sada
Saida = 9.8883
1.2
0.8
P ertinnc ia
0.6
0.4
0.2
0
-5 0 5 10 15
Sada
(a) (b)
Figura B.4 (a) Exemplo da janela de entrada das variveis caractersticas (Velocidade-
1; Carga- 2; e RMS- 8) e (b) de uma sada com respectiva sada desfuzzificada (9.8883) e
funo de pertinncia resultante
Neste programa tambm pode ser fornecido um vetor qualquer como entrada
caractersticas.
Conhecimentos Heursticos.
possuem as mesmas caractersticas das funes de pertinncia de entrada (ou seja, das
154
previamente escolhido.
ser definidas pelo usurio, bem como os seus respectivos pesos de relevncia.
Por fim, o usurio deve definir os parmetros ou propriedades que regem o sistema
1 Trapezoidal
(x a )
(b a ) a< x<b
TRAP ( x; a, b, c, d ) = 1 bxc Equao C. 1
(x d )
(c d ) c<x<d
A funo pode ser obtida atravs dos parmetros a, b, c e d, ou, para um perfil
simtrico, atravs do valor mdio (m) e disperso (), e de dois fatores de proporo de
disperso indicando a abertura do trapzio (f1 e f2). As relaes entre estes fatores so:
a = m f 2 .
b = m f1 .
Equao C. 2
c = m+ f1 .
d =m+ f 2 .
1
u(x)
0
a b c d
2 Triangular
(x a )
(b a ) a< xb
TRIA ( x, a, b, c ) = Equao C. 3
(x c ) b<x<c
(b c )
A funo pode ser obtida atravs dos parmetros a, b e c, ou, para um perfil simtrico,
atravs do valor mdio (m) e disperso (), e de um fator de proporo de disperso indicando
a = m f1 .
b=m Equao C. 4
c = m + f1 .
1
u[x]
0
a b c
3 Gaussiana
2
m x
GAUSS ( x; m, ) = e
Equao C. 5
A funo pode ser obtida atravs do valor mdio (m) e disperso (), e de um fator de
proporo de disperso indicando a abertura da curva gaussiana (f1). Sendo, neste caso, a
disperso da equao acima, definido pelo fornecido pelo usurio multiplicado por f1.
157
u[x]
0.368
0
m - m m+
4 Pi
(a b )
S x; a b, 2 , a xa
TRIA ( x; a, b ) = Equao C. 6
1 S x; a, (a + b ) ,a + b
x>a
2
0 x a1
2
2 x a1
a1 < x a 2
a3 a1 (a3 a1 ) Equao C. 7
S (x; a1 , a2 , a3 ) = 2 para a2 =
x a3 2
1 2 a a a 2 < x a3
3 1
1 x > a3
A funo pode ser obtida atravs dos parmetros a e b, sendo a, o valor mdio (m), e
da curva pi (f1). Sendo, neste caso, o da Equao 6, definido pelo fornecido pelo usurio
u[x]
0.5
0
m - m - /2 m m+ /2 m+
5 Beta
1
BETA ( x; m, ) = Equao C. 8
xm
1+
A funo pode ser obtida atravs do valor mdio (m) e disperso (), e de um fator de
proporo de disperso indicando a abertura da curva gaussiana (f1). Sendo, neste caso, o da
equao acima, definido pelo fornecido pelo usurio multiplicado por f1.
1
u[x]
0.5
0
m - m m+