Dissertação USP 2005 Diagnóstico Automático de Defeitos em Rolamentos Baseado em Lógica Fuzzy - Rodrigo Yoshiaki Fujimoto

UNIVERSIDADE DE SO PAULO ESCOLA POLITCNICA
DEPARTAMENTO DE ENGENHARIA MECNICA
RODRIGO YOSHIAKI FUJIMOTO
Diagnstico Automtico de Defeitos em Rolamentos

Baseado em Lgica Fuzzy
So Paulo
2005
RODRIGO YOSHIAKI FUJIMOTO
Diagnstico Automtico de Defeitos em Rolamentos

Baseado em Lgica Fuzzy
Dissertao apresentada Escola Politcnica da

Universidade de So Paulo para obteno do ttulo de
Mestre em Engenharia
rea de Concentrao: Engenharia Mecnica

Orientador: Prof. Dr. Linilson R. Padovese
So Paulo
2005
FICHA CATALOGRFICA
Fujimoto, Rodrigo Yoshiaki

Diagnstico automtico de defeitos em rolamentos baseado
em lgica fuzzy / R.Y. Fujimoto. -- So Paulo, 2005.
158 p.
Dissertao (Mestrado) - Escola Politcnica da Universidade

de So Paulo. Departamento de Engenharia Mecnica.
1.Rolamentos (Defeito; Diagnstico) 2.Fuzzy I.Universidade

de So Paulo. Escola Politcnica. Departamento de Engenharia
Mecnica II.t.
FUJIMOTO, R. Y. Diagnstico Automtico de Defeitos em Rolamentos Baseado em
Lgica Fuzzy. 2005. 158F. Dissertao (Mestrado em Engenharia Mecnica) Escola
Politcnica da Universidade de So Paulo, So Paulo.
ERRATA
Folha Linha Onde se l Leia-se
ABSTRACT 5 describes presents
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
10 10 eles utilizam utilizam-se
11 1 no transparente nem sempre transparente
11 14 descrio matemtica descrio algbrica
11 14 descries empricas descries heursticas
12 11 sistemas inferncia fuzzy sistemas de inferncia fuzzy
12 12 modelo matemtico modelo algbrico
16 5 atravs de grficos atravs da anlise visual dos grficos
18 12 uma melhor desempenho um melhor desempenho
22 9 Nesta definio Nesta teoria
22 10 um certo valor um valor
23 4 A = {x, A ( x ) | x X } A = (x,(x))
31 4 fornecidos por pessoas fornecidas por especialistas

33 1 implantao implementao
34 7 definida definidas
37 17 estreito ... fuzzy estreito ... fuzzy
41 2 apresentadas propostas
44 8 foi utilizada utiliza-se
44 10 foi tomada toma-se
48 3 est localiza-se
53 10 apresentado apresenta-se
53 17 so realizados realizou-se
58 Fig. 4.5 (n) ()
61 7 criar implementar
61 11 criao obteno
61 14 CRIAO OBTENO
61 15 criao obteno
64 5 Sendo que, neste caso Neste caso
64 5 Equao 5.3 Equao 5.2
65 6 na Figura 5.2 nas equaes 5.1 e 5.2
67 7 comparando todos comparando-se todas
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 Escola Politcnica da USP, pela oportunidade de realizao do curso de mestrado e por
colocar a disposio rea experimental e o laboratrio.
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
alcanar os resultados obtidos.

RESUMO
FUJIMOTO, R. Y. Diagnstico Automtico de Defeitos em Rolamentos Baseado em

Lgica Fuzzy, 2005, 182 f. Dissertao (Mestrado) Escola Politcnica, Universidade de So
Paulo, So Paulo, 2005.
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
FUJIMOTO, R. Y. Automatic Diagnoses of Rolling Bearing Failures Based in Fuzzy

Logic, 2005, 182 f. Dissertao (Mestrado) Escola Politcnica, Universidade de So Paulo,
So Paulo, 2005.
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 1.1 Razes de falhas de rolamentos 43. ___________________________________ 5
Figura 1.2 Estrutura de um sistema especialista _________________________________ 6
Figura 2.1 Comparao entre lgica clssica e lgica fuzzy 34._____________________ 22
Figura 2.2 Padro de regra de inferncia _____________________________________ 28
Figura 2.3 Diagrama do processo de inferncia fuzzy34 ___________________________ 30
Figura 2.4 Estrutura de um Sistema Fuzzy _____________________________________ 32
Figura 2.5 Exemplo de Similaridades _________________________________________ 35
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 ____________________________ 38
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 3.3 Esquema da bancada de ensaios____________________________________ 44
Figura 3.4 Layout geral da bancada de ensaio de defeitos de rolamento _____________ 45
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)._________________ 45
Figura 3.6 Equipamento de filtro, amplificao e converso A/D. __________________ 46
Figura 3.7 Sistema de aquisio de dados _____________________________________ 46
Figura 3.8 (a) Sistema de monitoramento da carga aplicada e (b) variador de freqncia
para regular a rotao do motor _______________________________________ 47
Figura 3.9 Esquema para obteno os espectros de freqncia_____________________ 50

Figura 4.1 Esquema da separao do banco de dados de cada parmetro para a realizao
do teste do alarme estatstico. _________________________________________ 55
Figura 4.2 Grficos para anlise de desempenho do alarme estatstico do parmetro RMS
considerando o banco de dados apenas de NORMAL, apenas de DEFEITO e
considerando ambos os banco de dados. _________________________________ 56
Figura 4.3 - Grficos para anlise de desempenho do alarme estatstico do parmetro Valor
de Pico de Envelope considerando o banco de dados apenas de NORMAL, apenas de
DEFEITO e considerando ambos os banco de dados._______________________ 57
Figura 4.4 Mximo desempenho de acertos para todos os parmetros de anlise de
vibrao utilizados. _________________________________________________ 57
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)._____ 58
Figura 5.1 Mapeamento do banco de dados hipottico de exemplo para demonstrar a
metodologia. _______________________________________________________ 63
Figura 5.2 Parmetros da funo (a) gaussiana. ________________________________ 64
Figura 5.3 Funes de pertinncia obtidas do exemplo da Figura 5.1, para o grupo G1
(utilizando caracterstica 1 (a) e 2 (b)). __________________________________ 65
(utilizando caracterstica 1 (a) e 2 (b) para os dois grupos). _________________ 65
Figura 5.5 Regras de inferncias padres _____________________________________ 67
Figura 5.6 Regra de Inferncia Padro para o exemplo da Figura 5.1. ______________ 68
Figura 5.7 Representao do conjunto (funes de pertinncia e regras de inferncia) para
o (a) grupo G1 e o (b) grupo G2 representados no exemplo da Figura 5.1.______ 69
Figura 5.8 Esquema do sistema fuzzy obtido por esta metodologia na forma de rede. ___ 70
Figura 5.9 As possveis sadas do sistema fuzzy (Classificao) ____________________ 75

Figura 5.10 Exemplo de conjunto de funo de pertinncia para uma determinada
caracterstica. Cada grfico com um conjunto de curvas est relacionado a uma
varivel lingstica (Normal, RiscadoExt, etc). O universo de discurso definido por
[-1.1,1.8], como pode ser verificado na abscissa. __________________________ 77
Figura 5.11 Tipos de funes de pertinncias com os parmetros de entrada para um valor
mdio 0 e um desvio padro de 1. ______________________________________ 78
Figura 5.12 Tipos de funes de pertinncias com os parmetros de entrada para um valor
mdio 0 e um desvio padro de 1. ______________________________________ 79
Figura 5.13 - Influncia da disperso f1 sobre a desempenho tanto dos sistemas fuzzy de
deteco quanto de classificao. ______________________________________ 87
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 5.15 Exemplo da influncia do valor limiar sobre a desempenho de deteco de
diferentes banco de dados (de NORMAIS, de DEFEITO e GLOBAL) para a
estratgia de Deteco. ______________________________________________ 97
Figura 5.16 Desempenho de deteco para o SISTEMA FUZZY NORMAL influenciada pelo
o valor limiar . ____________________________________________________ 98
Figura 5.17 Desempenho dos sistemas fuzzy testados ____________________________ 99
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)
Grupo 1 e (b) Grupo 2.______________________________________________ 105
Figura 6.3 - Funes de Pertinncia para o banco de dados de exemplo utilizando c = 4,
(a) Cluster 1 e (b) Cluster 2. _________________________________________ 106
Figura 6.4 - Funes de Pertinncia para o banco de dados de exemplo utilizando c = 4,
(c) Cluster 3 e (d) Cluster 4.__________________________________________ 107

Figura 6.5 Graus de pertinncia de cada uma das 80 amostras do banco de dados de
exemplo relacionadas a um determinado cluster. _________________________ 108
Figura 6.6 Graus de pertinncia ideais para o banco de dados de exemplo.__________ 109
exemplo relacionadas a um determinado grupo. __________________________ 110
Figura 6.8 Funes de Pertinncia para o banco de dados de exemplo utilizando c = 4, e
posterior processo de adaptao, (a) Grupo 1 e (b) Grupo 2. _______________ 111
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
diversos expoentes fuzzy. ____________________________________________ 118
Figura 6.11 - Desempenho de acerto de deteco dos sistemas FCM influenciados pelos
diversos expoentes fuzzy. ____________________________________________ 118
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
nmero de centros (ou clusters). ______________________________________ 120
Figura 6.14 Desempenho de acerto de deteco dos sistemas FCM influenciados pelo
nmero de centros (ou clusters). ______________________________________ 120
Figura 6.15 Influncia do nmero de centros sobre o nmero de iteraes no treinamento.
________________________________________________________________ 121
Figura 6.16 Desempenho de acerto de classificao dos sistemas FCM influenciados pelo
nmero de centros (ou clusters) e pela complexidade do banco de dados,
considerando uma nica carga ou todas (diferenciando apenas a condio normal
do defeito furo e variando todas as outras condies de rotao e parmetros de
anlise de vibrao apresentados na Tabela 6.1 e na Tabela 6.2).____________ 122

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).____________________________________________________________ 123
Figura 6.18 Influncia do nmero de centros (ou clusters) e da complexidade do banco de
dados, considerando uma nica carga ou todas sobre o nmero de iteraes no
treinamento (nas condies apresentadas na Figura 6.16). _________________ 123
Figura 6.19 Desempenho de acerto de classificao dos sistemas FCM influenciados pela
complexidade do banco de dados, considerando os defeitos que compe o banco de
dados. ___________________________________________________________ 124
Figura 6.20 Desempenho de acerto de deteco dos sistemas FCM influenciados pela
dados. ___________________________________________________________ 125
Figura 6.21 Nmero de iteraes no treinamento dos sistemas FCM influenciado pela
dados. ___________________________________________________________ 125
Figura 6.22 - Desempenho de acerto de classificao dos sistemas FCM influenciados pelos
parmetros de entrada utilizados (considerando todos os defeitos).___________ 127
Figura 6.24 - Nmero de iteraes no treinamento dos sistemas FCM influenciado pelos

Lista de Tabelas
Tabela 1.1 Tabela resumo da norma ISO 2372 197420.___________________________ 9
Tabela 1.2 Tabela com mxima desempenho obtida para rede MLP e PNN41. _________ 11
Tabela 1.3 Principais caractersticas de sistemas de inferncia fuzzy e redes neurais 53 _ 12
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]. ______ 24
Tabela 2.2 Opes de operadores AND e OR ___________________________________ 26
Tabela 2.3 Opo de operador NOT __________________________________________ 27
Tabela 2.4 Opo de operador THEN ________________________________________ 28
Tabela 2.5 Opo de operador Agregao, sendo CFF as funes de pertinncia resultante
do sistema fuzzy. ____________________________________________________ 29
Tabela 3.1 Caractersticas Geomtricas do Rolamento B015TVP ___________________ 41
Tabela 3.2 Condies amostradas ___________________________________________ 42
Tabela 3.3 Equipamento e parmetros de aquisio dos sinais de vibrao ___________ 48
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
no sistema de diagnstico automtico.___________________________________ 52
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 5.1 Mdias e desvios padres do exemplo da Figura 5.1. ___________________ 64
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 5.5 Fatores de Proporo de Disperso _________________________________ 79
Tabela 5.6 Tabela de resumo dos grupos de parmetros de anlise de vibrao utilizados
no sistema de inferncia fuzzy. _________________________________________ 83
Tabela 5.7 Caractersticas dos sistemas de inferncia fuzzy utilizadas para a anlise da
influncia da Disperso f1 ____________________________________________ 87
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
algoritmo de criao de sistemas fuzzy._________________________________ 115
Tabela 6.2 Resumo dos grupos de parmetros de anlise de vibrao utilizados para testar
o algoritmo de FCM. _______________________________________________ 116
Tabela 6.3 Tabela com as estratgias que obtiveram a melhor desempenho de acerto de
deteco e classificao utilizando o algoritmo FCM. _____________________ 129
Tabela 7.1 Resumo das mximas desempenho obtidas com cada metodologia ________ 132
Lista de Siglas
RMS - (Root mean square) Raiz da Mdia Quadrtica
FFCM - Functional fuzzy c-means
CEP - Controle Estatstico de Processo
MLP - Multilayer Perceptron
PNN - Probabilistic Neural Network
FCM - Fuzzy c-means
ER - Energia residual
MOM - Mdia dos Mximos
SOM - Menor dos Mximos
LOM - Maior dos Mximos
A/D - conversor analgico para digital
LADIN - Laboratrio de Anlise Dinmica
Sk - Skewness
Kurt - Kurtosis
Fc - Fator de Crista
Fk - Fator K
DEP - Densidade Espectral de Potncia
TF - Transformada de Fourier
TFI - Transformada de Fourier Inversa
Env - Envelope
Rp - Razo de Pico
PSD_64 - PSD do sinal de vibrao com janela de ponderao de

Hanning com 128 pontos
PSD_128 - PSD do sinal de vibrao com janela de ponderao de
Hanning com 256 pontos
ENVPSD_64 - PSD do envelope do sinal de vibrao com janela de
ponderao de Hanning com 128 pontos
ENVPSD_128 - PSD do envelope do sinal de vibrao com janela de
ponderao de Hanning com 256 pontos
ISO - International Standards Organization
LMSS - Lockheed Martin Michoud Space Systems
VDI - Verein Deutscher Ingenieure

Lista de Smbolos
funo de pertinncia
T operao T-Norm (Triangular Norm)
TS operao T-conorm ou S-norm
OU, OR ou operador unio
E, AND ou operador interseco
NO, NOT ou ~ operador negao
valor limiar
f1, f2 fatores de proporo de disperso
disperso
m valor mdio
S funo sigmodal
min funo mnimo
max funo mximo
produtria
THEN ou operador implicao
operador implicao
CFR funo de pertinncia de sada da regra de inferncia
PT grau de pertinncia da orao antecedente da regra de
inferncia
CFS funo de pertinncia de uma sada
CFF funo de pertinncia de sada do sistema fuzzy

Ndiscret nmero de discretizao das funes de pertinncia
Vef valor eficaz
x(t) sinal contnuo no tempo
x[t] sinal discreto no tempo
T perodo de amostragem
N nmero de pontos de um dado sinal discreto
desvio padro de um sinal x[t]
_
valor mdio de um sinal x[t]
x
Xmx valor de pico
M nmero de amostras de um sinal
xM amostra de um sinal x
X[f] PSD de um sinal x[t]
Nespectro nmero de pontos de um PSD
xnormal[t] sinal da condio normal do sistema
f freqncia
G freqncia de gaiola
B freqncia de rotao do elemento rolante
DE freqncia de defeito na pista externa
DI freqncia de defeito na pista interna
DB freqncia de defeito no elemento rolante
S freqncia de rotao do eixo
Z nmero de elementos rolantes do rolamento
d dimetro do elemento rolante do rolamento
D dimetro da trajetria do elemento rolante do rolamento

c ngulo de contato do elemento rolante e a pista do rolamento
t tempo
B largura do rolamento
ALARME ndice de nvel de alarme

Sumrio
1. INTRODUO 1
1.1. Objetivos e Contribuies _____________________________________________ 3
1.2. Resumo Bibliogrfico_________________________________________________ 4
1.2.1. Defeitos em Mancais de Rolamentos ______________________________ 4
1.2.2. Sistemas Especialistas __________________________________________ 6
1.2.3. Sistemas Automticos de Diagnsticos de Falhas ____________________ 7
1.2.4. Alarme Estatstico _____________________________________________ 8
1.2.5. Redes Neurais para Sistema Automtico de Diagnstico_____________ 10
1.2.6. Sistema de Inferncia Fuzzy ____________________________________ 11
1.2.7. Fuzzy C-Means ______________________________________________ 15
1.2.8. Outros______________________________________________________ 19
2. CONCEITOS TERICOS 20
2.1. Conceito de Alarme Estatstico ________________________________________ 20
2.2. Conceito de Lgica Fuzzy ____________________________________________ 22
2.2.1. Funo de Pertinncia_________________________________________ 23
2.2.2. Operadores Lgicos___________________________________________ 24
2.2.3. Operador AND ______________________________________________ 25
2.2.4. Operador OR ________________________________________________ 25
2.2.5. Operador NOT ______________________________________________ 26
2.2.6. Valor Limiar _______________________________________________ 27
2.2.7. Regras de Inferncia __________________________________________ 27
2.2.8. Operador THEN _____________________________________________ 28
2.2.9. Operador de Agregao _______________________________________ 29
2.2.10. Operador de Desfuzzificao ___________________________________ 29
2.2.11. Inferncia Fuzzy _____________________________________________ 30
2.3. Conceito de Sistema de Inferncia Fuzzy________________________________ 32
2.4. Conceito de Fuzzy C-Means __________________________________________ 33
2.4.1. Similaridade_________________________________________________ 34
2.4.2. Medida de Similaridade _______________________________________ 36
2.4.3. Algoritmo do FCM ___________________________________________ 37
3. MATERIAIS E MTODOS 41
3.1. Rolamentos ________________________________________________________ 41
3.2. Aparato Experimental _______________________________________________ 44
3.3. Parmetros de Anlise da Vibrao ____________________________________ 48
4. ALARMES ESTATSTICOS 53
4.1. Testes_____________________________________________________________ 53
4.2. Resultados e Discusses ______________________________________________ 56
5. SISTEMA DE INFERNCIA FUZZY 61
5.1. Metodologia para Automatizar a Criao do Sistema Fuzzy________________ 61
5.1.1. Obteno das Funes de Pertinncia ____________________________ 62
5.1.2. Obteno das Regras de Inferncia ______________________________ 66
5.1.3. Representao Grfica do Sistema de Diagnstico Fuzzy ____________ 69
5.2. Testes_____________________________________________________________ 71
5.2.1. Parmetros de Criao do Sistema Fuzzy_________________________ 73
5.2.2. Estratgias de Diagnstico para Teste do Sistema Fuzzy ____________ 80
5.3. Resultados_________________________________________________________ 83
5.3.1. Tipo de Perfil da Funo de Pertinncia __________________________ 84
5.3.2. Influncia da Disperso f1 no desempenho do sistema fuzzy __________ 86
5.3.3. Valores Caractersticos ________________________________________ 88
5.3.4. Outras anlises_______________________________________________ 90
5.3.5. Melhor Desempenho __________________________________________ 99
5.4. Discusses dos Resultados ___________________________________________ 100
6. FUZZY C-MEANS 102
6.1. Obteno das Regras de Inferncia Automaticamente ____________________ 102
6.2. Discusses da Teoria _______________________________________________ 112
6.3. Testes____________________________________________________________ 114
6.3.1. Complexidade do Banco de Dados de Criao ____________________ 114
6.3.2. Expoente Fuzzy (m)__________________________________________ 116

6.3.3. Nmero de Centros (ou clusters) _______________________________ 117
6.3.4. Critrio de Parada___________________________________________ 117
6.4. Resultados________________________________________________________ 117
6.4.1. Influncia do Expoente Fuzzy (m) ______________________________ 117
6.4.2. Influncia do Nmero de Centros (ou clusters)____________________ 119
6.4.3. Complexidade do Banco de Dados______________________________ 122
6.4.4. Parmetros de Anlise de Vibrao_____________________________ 126
6.4.5. Melhor Desempenho _________________________________________ 129
6.5. Discusses dos Resultados ___________________________________________ 129
7. CONCLUSO 131
8. BIBLIOGRAFIA 134
APNDICE 139
Apndice A Anlise de Vibrao _________________________________________ 140
Apndice B Caracterstica do Programa Sistema_Fuzzy ____________________ 147
Apndice C Equaes que descrevem as Funes de Pertinncia _______________ 155

1
1. INTRODUO
Em todos os setores de atividades industriais, a importncia da otimizao da
produtividade dos equipamentos e a melhoria na qualidade dos produtos so cada vez mais
crescentes, motivadas pela necessidade do aumento da competitividade em um mercado
globalizado. Neste contexto, a diminuio de custos de operao e manuteno pode ter um
impacto significativo na produtividade industrial. Para isto, novos conceitos esto sendo
utilizados na manuteno e produo industrial. Entre estes conceitos, pode-se destacar a
manuteno preditiva, que visa reduzir os custos associados manuteno e o aumento da
disponibilidade dos equipamentos, baseado na anlise da condio atual do equipamento.
Uma das principais caractersticas da manuteno preditiva a necessidade de
monitoramento do equipamento e a anlise das informaes obtidas atravs deste
monitoramento com o objetivo de detectar e observar o desenvolvimento de um determinado
defeito. A manuteno preditiva utiliza diversas ferramentas para alcanar este objetivo final,
tais como, a anlise de leo, de vibrao mecnica, de corrente, de emisso acstica,
termografia, entre outros. Dentre estes, uma importante ferramenta a anlise de vibrao
mecnica do equipamento, onde os sinais obtidos atravs do monitoramento da vibrao de
mancais, redutores, motores, etc., so analisados, objetivando a deteco de uma alterao no
estado do equipamento. O diagnstico de um eventual defeito realizado atravs da deteco
de alguma alterao da assinatura mecnica normal do equipamento.
O diagnstico de defeito em um componente do equipamento pode ser a simples
constatao de defeito, ou, at mesmo, levar a consideraes mais completas, como a
localizao do defeito, a natureza deste defeito, tamanho do defeito, previso de tempo at

2
uma falha, etc. A qualidade do diagnstico est ligada diretamente com a capacitao do
analista.
Um empecilho para a obteno de um diagnstico preciso o volume de informaes
que precisam ser analisadas. Uma planta industrial pode ter centenas ou milhares de pontos a
serem analisados. E, diante da impossibilidade de se analisar detalhadamente cada ponto,
utilizam-se programas de diagnsticos automticos que adotam uma configurao de alarme
baseada na lgica tradicional (binria) para detectar um possvel defeito.
Normalmente, so utilizados alarmes baseados apenas no nvel global de vibrao
(RMS) do sinal global ou de certas bandas de freqncias. Neste caso, os dados, aps serem
digitalizados, so armazenados e o sistema de gerenciamento de dados calcula o RMS deste
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
mais profunda de um especialista. Este sistema depende muito da dedicao e capacitao do
analista, para ter um bom grau de confiabilidade.
A prtica da utilizao deste tipo de sistema, baseado s em RMS, mostra que o
nmero de falsos alarmes pode ser grande, impossibilitando uma anlise efetiva correta dos
especialistas para todos os casos, e diminuindo o grau de confiabilidade do alarme. Apesar
disto, este tem sido a metodologia mais amplamente utilizada na indstria tendo resultados
positivos em alguns casos.
Este trabalho prope duas metodologias baseadas em fuzzy para automatizar um
diagnstico de falhas e obter um desempenho superior aos tradicionalmente utilizados, que
so o sistema de inferncia fuzzy e o algoritmo Fuzzy C-Means (FCM). Uma terceira
metodologia, denominado alarme estatstico, j utilizada atualmente na indstria, tambm
estudada de modo que sejam possveis a comparao de sua performance com as das outras
3
duas metodologias. Para as trs metodologias propostas, so apresentados algoritmos para a
obteno de um sistema de diagnstico de maneira automtica.
Como estudo de caso dos sistemas de diagnstico automtico propostos, foi utilizado o
caso de defeitos de mancais de rolamentos. Os mancais de rolamentos so um dos pontos
mais crticos em mquinas rotativas, devido principalmente pela quantidade encontrada numa
planta industrial e sua diversidade de aplicaes.
Para o diagnstico de mancais de rolamentos, foi utilizado uma bancada experimental,
onde o monitoramento dos mancais de rolamento foi feito atravs da medida de vibrao por
acelermetros. Os mtodos de processamento de sinais tradicionalmente usados, como o

19, 46,50,51
RMS, espectro de freqncia e envelope , foram utilizados no processo de
diagnstico de defeito. Neste trabalho pretende-se utilizar um grupo destes parmetros
clssicos para formar o banco de informaes a ser utilizado pelo sistema de diagnstico.
1.1. OBJETIVOS E CONTRIBUIES
Como objetivo principal deste trabalho, pretende-se estudar duas metodologias para
automatizar o diagnstico de defeitos baseada em lgica fuzzy (o sistema de inferncia fuzzy
e o algoritmo Fuzzy C-Means). Alm disso, pretende-se apresentar duas metodologias para
automatizar o processo de criao destes sistemas de diagnsticos: um algoritmo
automatizado de sistema de inferncia fuzzy e; um algoritmo modificado baseado em Fuzzy
C-Means (FCM).
Os desempenhos destas duas metodologias sero comparados com uma terceira
metodologia j utilizada na indstria: o alarme estatstico.
Sero estudadas as influncias de algumas variveis sobre o desempenho do
diagnstico das trs metodologias em um caso experimental. Dentre estas variveis pode-se
destacar a complexidade do banco de dados a ser analisado.

4
1.2. RESUMO BIBLIOGRFICO
Neste item so apresentadas algumas referncias bibliogrficas relacionadas
importncia da anlise de vibrao para a deteco de defeitos em mancais de rolamentos,
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
apresentado a seguir o conceito de sistemas especialistas, principalmente relacionado ao seu
emprego em diagnsticos de falhas.
1.2.1. Defeitos em Mancais de Rolamentos
Em manuteno, considera-se como falha de um equipamento a situao onde o
equipamento ou no pode ser utilizado, ou no permite uma qualidade adequada de produo.
Neste caso, a falha considerada a situao onde o equipamento deixa de cumprir a sua
funo.
Defeito refere-se a uma condio do equipamento, diferente da condio na qual ela
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
no necessariamente deixa de cumprir a funo a qual foi projetado.
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
superiores ao custo da troca do rolamento em si.

43
Um exemplo o caso de motores eltricos , onde cerca de 37% das falhas
identificadas so devidos a mancais de rolamentos, conforme pode ser observado na Figura
1.1.
5
Rolamentos
11%
5% Ventilao
3% 37%
6% Rotor
Eixo/Acoplamento
5% Buchas
Dispositivos Externos
33%
No Especificado
Figura 1.1 Razes de falhas em motores eltricos 43.
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
til do rolamento), elas so causadas por falta de cuidados na instalao, m ou falta de
lubrificao, penetrao de partculas estranhas entre as pistas, sobrecargas, influncia de
calor externo no previsto em projeto, etc. Estas falhas podem ser mais bem identificadas
aps a desmontagem do rolamento e com uma profunda anlise da falha do rolamento.
Existem diversos trabalhos referentes anlise da evoluo da falha em mancais de
rolamentos, como um exemplo est o trabalho de Barkov 4.
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
1.2.2. Sistemas Especialistas
Pode-se definir sistema especialista como sendo um programa projetado
especificamente para representar um conhecimento humano em um domnio particular de
conhecimento (rea de especializao) 37.
Um sistema especialista composto basicamente de uma base de conhecimento, um
mecanismo de inferncia e uma interface com o usurio, conforme observado na Figura 1.2.
Figura 1.2 Estrutura de um sistema especialista
A aquisio de informao para um sistema especialista pode ser feita atravs da
anlise da literatura, entrevista com especialistas e utilizando um histrico de dados
previamente coletados. A chave do sucesso do sistema especialista encontrar o melhor
modelo que traduza estas informaes, obtendo uma boa representao deste conhecimento.
Como o sistema especialista depende fundamentalmente de mecanismos de inferncia,
tambm desejvel que ele seja capaz de apresentar os mecanismos lgicos de sua deciso,
de forma que sua lgica possa ser verificada.
Entre as ferramentas mais utilizadas para construir sistemas especialistas eficientes so
os chamados algoritmos baseados em inteligncia artificial como, por exemplo: redes neurais,
algoritmos genticos e sistemas de inferncia fuzzy.
Muitos dos sistemas atuais, baseados em lgica convencional, tm falhado em atender
as expectativas de desempenho dos resultados e generalizao do modelo pelas seguintes
razes 14:
7
incapacidade de imitar os processos de anlise executados por especialistas;
nmeros finitos de regras, implicando em incapacidade de atender dinamicamente
necessidade do sistema, ficando facilmente obsoleto;
os sistemas tm dificuldades de conciliar as diferenas entre os modelos tericos e
os resultados verificados na prtica.
Da anlise da reviso bibliogrfica, observou-se que alm de atender as limitaes da
lgica convencional apresentadas acima, os sistemas especialistas de sucesso devem ser
altamente adaptveis e dinmicos 3. Por adaptveis e dinmicos entende-se a capacidade do
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
informaes que aparecero com o contnuo monitoramento de um sistema.
No caso de sistemas de diagnstico, um sistema especialista deve permitir realizar
uma atualizao contnua. Isto se deve principalmente ao fato do comportamento fsico da
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
caracterstica do sistema fortemente associada ao sucesso do programa do sistema 54.
Cabe lembrar que sistemas especialistas no dispensam o especialista. O sistema deve
servir ao especialista como uma nova ferramenta para que ele possa executar as tarefas de
forma mais rpida e eficiente 37.
1.2.3. Sistemas Automticos de Diagnsticos de Falhas
A necessidade de um sistema automtico para diagnstico fica clara em uma planta
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
em mancais de rolamento, a utilizao do valor de um parmetro (RMS, Valor de Pico, ...)
obtido atravs de sinais de acelerao do mancal (ou de outros sinais: velocidade,

47
deslocamento, envelope de acelerao, ...) para acionar um alarme de falha , e a partir de
ento um especialista analisa a necessidade da troca. Esta mesma tcnica pode ser utilizada
para sistemas de diagnsticos de plantas industriais inteiras 24.
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
estatstico, a rede neural 30,40 e sistemas fuzzy 31, 35,56,57.
1.2.4. Alarme Estatstico
Como um padro em muitas indstrias em sua manuteno preditiva, utilizada uma
pr-anlise para determinar se um dado equipamento necessita de uma anlise mais
aprofundada. Esta pr-anlise normalmente definida por valores globais (por exemplo, de
RMS de vibrao) superiores a um valor limite.
Estes valores limites so divididos em duas categorias:
- alerta (quando o equipamento est em uma condio anormal);
- alarme (quando o equipamento inicia processo de falha terminal).

9
Para a definio destes limites, podem ser utilizadas diversas normas, por exemplo a
ISO-237220 e a VDI-205655. Ambas as normas definem pela categoria (tamanho e suporte) da
mquina qual a faixa de vibrao admissvel.
As duas normas trabalham com recomendaes de valores em unidades de velocidade
(ex: Vrms (mm/s) ou Vpico (in/s)) ou de deslocamento (Vpico (m)). Como exemplo, um
grfico resumo da norma ISO-237220 apresentado na Tabela 1.1.
Outras recomendaes de faixas admissveis de vibrao apresentada pela ISO-
10816-121 e pela LMMSS32.
Existem outras recomendaes de alarme utilizando o envelope de acelerao, tais

60
como proposto por Wei . Ele prope o valor do alarme baseado na rotao e dimetro do
eixo, para uma faixa de freqncia definida.
Tabela 1.1 Tabela resumo da norma ISO 2372 197420.
Limites de Faixas de Velocidade e Classes de Mquinas

Padro ISO 2372-1974
Severidade de Mquinas Mquinas Mquinas
Vibrao Pequenas Mdias Grandes
mm/s in/s Base Rgida Base Flexvel
RMS RMS Classe I Classe II Classe III Classe IV
0,28 0,011
0,46 0,018 bom
0,71 0,028 bom
1,12 0,044 satisfatrio bom
1,80 0,071 satisfatrio bom
2,79 0,110 insatisfatrio satisfatrio
4,50 0,177 insatisfatrio satisfatrio
7,11 0,280 insatisfatrio
11,18 0,440 inaceitvel insatisfatrio
18,03 0,710 inaceitvel
70,87 2,790
Vale ressaltar que os limites admissveis apresentados nestas normas e artigos so
apenas recomendaes iniciais de nveis de alarmes, que no definem o modo normal de

10
vibrar de um equipamento especfico. As limitaes de vibraes variam de equipamento para
equipamento, devendo ser definido a partir de uma condio de vibrao tomada como
referncia (baseline) do equipamento, no apenas em cada incio de operao da mquina,
mas tambm, a comparao deste ltimo com o histrico total do equipamento.
Portanto, em equipamentos onde no existe um histrico de vibrao para realizar uma
anlise de tendncia de vibrao (ou obteno da baseline), os valores de alarme apresentados
nestas normas devem ser utilizados.
Levando em considerao as particularidades de cada equipamento, existem

61
programas comerciais que tentam considerar o histrico de um equipamento especfico .
Para tanto, eles utilizam o alarme estatstico. Este conceito foi utilizado neste presente estudo.
1.2.5. Redes Neurais para Sistema Automtico de Diagnstico
Existem diversos tipos de redes neurais que foram utilizadas com o objetivo de
diagnstico de falhas em rolamento. Dentre estas, pode-se citar a MLP (Multilayer
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
no perodo de treinamento, classificando a entrada em um conjunto de estados ou padres 53.
Um exemplo muito claro da utilizao da rede neural com o propsito de diagnstico

13,14
de falhas o programa ADVISOR fornecido pela Bruel & Kjaer que se baseia em redes
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
no transparente (modelo caixa-preta ou black-box) para o usurio 3, o que no permite a
utilizao do conhecimento heurstico do usurio, e nem a utilizao da rede para a obteno
de uma informao compreensvel referente ao problema estudado.

41
Os resultados obtidos por Padovese , que utilizou o mesmo banco de dados deste
trabalho, so apresentados na Tabela 1.2. Estes resultados sero utilizados para fazer uma
comparao de desempenho com as outras metodologias apresentadas neste trabalho.
Tabela 1.2 Tabela com mxima desempenho obtida para rede MLP e PNN41.
Mximo Desempenho Mximo Desempenho
para Rede MLP para Rede PNN
Deteco 100 % 100 %
Classificao 100 % 100 %
1.2.6. Sistema de Inferncia Fuzzy
Uma das grandes desvantagens da metodologia do alarme estatstico sua extrema
simplicidade, o que o impede de modelar um sistema complexo ou de obter um modelo mais
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.
Uma vantagem do sistema de inferncia fuzzy que ele no necessita de uma
descrio matemtica detalhada do sistema a ser modelado, podendo ser utilizadas descries
empricas para obter o modelo fuzzy final.
Alm disso, ele permite superar a limitao do modelamento tipo caixa-preta utilizada
pela rede neural.
A Tabela 1.3 apresenta uma resumida comparao entre os sistemas fuzzy e neural.
12
Tabela 1.3 Principais caractersticas de sistemas de inferncia fuzzy e redes neurais 53
Sistemas Fuzzy Sistemas Neurais
Representao lingstica Representao do tipo caixa preta
Necessrios dados de exemplo ou funo de

Necessrio conhecimento de especialista
desempenho
Pouca adaptao Mecanismos de adaptao disponveis
Tolerante falha Tolerante falha
Custo computacional dependente da aplicao Custo computacional um tanto alto
Descries mltiplas possveis Descries mltiplas possveis
Alm de permitir que o usurio utilize seus conhecimentos heursticos, obtidos
previamente, e de analisar e verificar as informaes contidas dentro do sistema, o sistema de
inferncia fuzzy tambm permite o gerenciamento de uma grande quantidade de informao
de naturezas diferentes.
Apesar de possuir diversas vantagens, este sistema possui algumas desvantagens,
citando-se, por exemplo, a tediosa e cara tarefa de aquisio de base de conhecimento
heurstico 3. Outra desvantagem, apesar de discutvel, foi apresentada por Jeffries 23

, que
aponta a facilidade de implement-lo sem um profundo conhecimento do funcionamento do
sistema fuzzy. Isto pode resultar em sistemas de inferncia que s alcanam o resultado
esperado em condies extremamente particulares.
Os sistemas inferncia fuzzy so utilizados onde existem incertezas na medio, ou
quando ainda no se possui um modelo matemtico bem definido para estimar o
comportamento de um sistema. Atravs de um sistema fuzzy possvel modelar um sistema
extremamente complexo de uma forma mais simples e compreensiva.
Entre as vantagens da lgica fuzzy, pode-se citar 34:
conceitualmente fcil de entender;

13
flexvel;
tolerante a dados imprecisos;
pode modelar sistemas no-lineares de complexidades arbitrrias
pode ser construdo utilizando conhecimento de especialistas;
baseado na linguagem natural.
Alm disso, o sistema fuzzy um modo fcil de agregar conhecimentos de diversos
especialistas (por exemplo, um especialista em anlise de vibrao e o operador da mquina),
pelos motivos apresentados acima.
Entre as limitaes do sistema fuzzy, pode-se citar 3:
o seu funcionamento altamente abstrato e heurstico;
necessita de especialista para determinar suas regras (relaes entre entrada e sada);
no possui auto-organizao e mecanismos de alto-regulao presentes, por exemplo,
nas redes neurais.
Os sistemas de inferncia fuzzy so baseados no conceito da lgica fuzzy. Este
conceito e alguns parmetros que influenciam no comportamento do sistema de inferncia
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
intuio humana, expressando a tolerncia impreciso existente no cotidiano.
Os sistemas de inferncia fuzzy no tem sido muito utilizados em diagnsticos de
falhas em mancais de rolamento. Na pesquisa bibliogrfica realizada foram encontrados

31,35,56,57
apenas quatro artigos utilizando esta idia que utilizam sinais de vibrao (ou
parmetros escalares ou vetoriais calculados a partir destes sinais de vibrao) com esse fim.
14
A utilizao de sinais de vibrao tambm empregada amplamente em sistemas baseados
em rede neural 30,40,41.
Alguns parmetros escalares utilizados na etapa de pr-processamento (ou seja, que
so utilizados como entradas) para sistemas fuzzy, e que foram encontrados na literatura,
podem ser listadas como se seguem: amplitude em faixas de freqncias ou em freqncias de
passagem de defeito (da pista externa, da pista interna, do elemento rolante e da gaiola),
autocorrelao, RMS, Kurtosis, Skewness, ER 56,57, entre outros.
Os sistemas de inferncia fuzzy para diagnstico de defeitos em mancais de
rolamentos descritos na literatura possuem caractersticas limitadas, o que inviabilizaria a sua

31
utilizao na prtica. O sistema apresentado por Liu s utiliza uma nico parmetro de
vibrao como entrada, que no descreve adequadamente o defeito no mancal de rolamento.
No apresentado por Mechefske 35, o sistema fuzzy detecta apenas a localizao da falha (pista
interna, pista externa e elemento rolante), o que limita as informaes apresentadas ao

56,57
usurio, no permitindo uma deciso adequada. J em o sistema criado utilizando
apenas de conhecimentos heursticos (um trabalho extremamente fatigante, dependendo da
quantidade de dados a serem tratados).
Nos artigos 31,56,57, utiliza-se como entrada do sistema, parmetros obtidos do sinal de
vibrao. A utilizao destes parmetros permite comprimir uma grande quantidade de
informaes existentes no sinal, fornecendo apenas caractersticas relevantes para descrever o

31
defeito. Liu faz uma discusso sobre qual parmetro mais relevante para este fim,
considerando o caso de defeito em rolamento.
Mechefske 35 apresentou um outro mtodo de tratar o sistema fuzzy, utilizando o vetor
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
possui muita informao redundante e/ou irrelevante para o desempenho do sistema de

15
diagnstico, aumentando o esforo computacional e, em alguns casos, prejudicando o
diagnstico.
Alm de ser utilizado no diagnstico de falhas em mancais de rolamento, os sistemas

24
fuzzy tambm so utilizados em diagnstico de falhas em caixas de reduo e de plantas
23,52
industriais , alm de controles industriais, modelagem de sistemas dinmicos,
reconhecimento de padro, entre outros 7,28,34,45.
Existem diversas variaes e combinaes de lgica fuzzy e redes neurais com o
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-
processamento dos dados de entrada do sistema fuzzy, podendo reduzir a quantidade de
dados, obter classes de similaridade e/ou reduzir rudo 3.
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.
1.2.7. Fuzzy C-Means
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
padres aplicados em um problema de controle de qualidade de usinagem: redes-neurais,
sistemas fuzzy baseados em regras e FCM.

17
No trabalho de Grauel , as regras fuzzy utilizadas pelo Fuzzy C-Means so obtidas
heuristicamente atravs de grficos. Apesar desta idia ser interessante, pois resulta em
menores quantidades de regras de inferncia e funes de pertinncia que as obtidas pelo
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.
O algoritmo do FCM pode ser utilizado como um compactador do banco de dados,
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.
esta a idia utilizada por Chen 7 em seu trabalho.
Definindo, Fuzzy c-means (FCM) uma tcnica ou algoritmo para se obter clusters ou
grupos de similaridades em um conjunto de dados. Neste caso, cada elemento do banco de
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
aperfeioamento de mtodos de obteno de clusters anteriormente proposto 34.
O propsito de se obter grupos de similaridade ou clusters identificar grupos naturais
de dados a partir de um grande conjunto de dados para produzir uma representao concisa do
comportamento de um sistema.
Este algoritmo utiliza a noo de distncia para definir o grau de pertinncia de um
dado elemento a um cluster. A medida de distncia normalmente utilizada a euclidiana. Os
centros obtidos por este algoritmo tentam minimizar a distncia intraclasses (entre
17
componentes relacionados a um determinado centro) e maximizar a distncia interclasses
(entre centros).
Na literatura so apresentadas diversas modificaes do algoritmo do FCM. Entre elas
pode-se citar o proposto por Joentgen 24,25, para tratamento de dados na forma de funes, por
Flores-Sintas 15, utilizando a medida de distncia de Mahalanobis em vez da euclidiana, e por
Cheng 9, que forneceu um aperfeioamento na velocidade de convergncia do algoritmo.

24,25
Joentgen apresenta em seus dois artigos um modo de se trabalhar com funes
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
modo de se trabalhar com comparaes diretamente da prpria funo, ou seja, sem a
necessidade de um pr-processamento. Esta viso utilizada para modificar o algoritmo do
FCM (fuzzy c-means) formar o chamado FFCM (functional fuzzy c-means).
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
comparao o espectro de freqncia. enfatizado o fato de no necessitar de qualquer
conhecimento de especialista, uma vez que o sistema de diagnstico verifica se houve
variao do espectro, mas ignora qual seja a natureza desta mudana.
Ao se utilizar distncia euclidiana no algoritmo FCM, existe a hiptese de uma
distribuio homognea e isotrpica dos grupos dentro do banco de dados, o que no ocorre
em muitos casos. Apesar de no se determinar perfeitamente estas duas caractersticas
(homogeneidade e isotropia) dentro de um banco de dados, no caso onde se conhecem estas
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
restries que complicariam o problema.
Uma desvantagem deste algoritmo FCM o seu alto tempo de processamento devido
sua natureza iterativa e o grande nmero de vetores de caractersticas normalmente

9
envolvidos no clculo. Para resolver este problema, Cheng props o mrFCM (Multistage
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
centros de cluster iniciais. Posteriormente, estes so utilizados para inicializar o algoritmo
FCM. Este algoritmo foi aplicado em um banco de dados para reconhecimento de imagem de
ressonncia de crebros e imagens de satlite.
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
critrios de validades, tais como: critrio de separabilidade e compactabilidade, grau de
partio, hipervolume fuzzy, entre outros.
Estes critrios no so analisados no presente trabalho uma vez que aqui se pretende
analisar principalmente a aplicabilidade do FCM em diagnstico de defeitos em rolamentos.
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
grau de pertinncia de um ponto no domnio de discurso para um conjunto fuzzy
independente dos graus de pertinncias em outros conjuntos fuzzy definidos no mesmo
domnio de discurso 15.

19
Outra caracterstica do algoritmo, a sua ampla dependncia dos centros de cluster
inicias, no apenas na velocidade de convergncia, mas tambm na preciso nos centros de
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
prvio do banco de dados.
O mtodo do FCM muito til se existe um conhecimento superficial das
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
com redes neurais artificiais 17.
Pode-se trabalhar com o algoritmo FCM utilizando-o em conjunto com outros

7
mtodos. Chen utiliza o FCM em conjunto com o Fuzzy K-Nearest Neighbours para
diagnosticar a produtividade de algumas empresas fictcias. Por exemplo, enquanto o FCM
utilizado para obter os clusters, o Fuzzy K-Nearest Neighbours utilizado para classificar
uma nova amostra em algum dos clusters obtidos previamente.
Normalmente, para se aplicar o FCM 7, o banco de dados normalizado pelo valor
mdio e o desvio padro referentes a cada caracterstica que descreve o hiper-espao. Isto
evita a dominncia de uma caracterstica sobre as outras, devido a uma discrepncia de
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
(SVMs) 22, entre outros.

20
2. CONCEITOS TERICOS
2.1. CONCEITO DE ALARME ESTATSTICO
Sob condies de operao normais, o nvel de vibrao medido em um equipamento
deveria permanecer em uma faixa de alarme relacionada com a incerteza estatstica da
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
desvio padro ().
O conceito do alarme estatstico utiliza algumas regras para determinar se existem
anormalidades (no relacionadas incerteza estatstica de medio) que possam estar
relacionadas a uma falha ou condio adversa de operao. Deste modo, o alarme estatstico
s pode ser utilizado na tarefa de diagnosticar, ou seja, identificar a ocorrncia de uma
anormalidade, mas ele no permite classificar o tipo de anormalidade ocorrida.
Existem algumas regras estatsticas (utilizados por exemplo no Controle Estatstico de

49
Processo ) que determinam em quais condies pode-se definir se existiu alguma variao
no sistema. Ampliando os conceitos presentes em anlise de grfico de controle utilizado no
Controle Estatstico de Processo (CEP)49, (utilizado para determinar a ocorrncia de
anormalidades em um processo qualquer) pode-se diagnosticar anormalidades no
comportamento normal da vibrao de um equipamento. As regras utilizadas na anlise de
grfico de controle no CEP 49 so.
- 01 ponto alm de (3 x ) da linha central;
- 09 pontos consecutivos de um lado da linha central;
- 06 pontos consecutivos, crescente ou decrescente;

21
- 14 pontos consecutivos, alternando para cima e para baixo;
- 02 de 3 pontos alm de (2 x ) da linha central (mesmo lado);
- 04 de 5 pontos alm de (1 x ) da linha central (mesmo lado);
- 15 pontos consecutivos at (1 x ) da linha central (em ambos os lados);
- 08 pontos consecutivos alm de (1 x ) da linha central (em ambos os lados);
Apesar da existncia destas regras estatsticas para determinar anormalidades, o alarme
estatstico 60 utiliza apenas de uma nica destas regras.
Se o Valor Global (ou ponto de controle) maior que Alarme (ou Alerta)
existe o defeito.
Sendo o valor de Alarme (ou Alerta) definindo por:
Alarme = x + ALARME
Equao 2.1
Sendo x e , respectivamente, o valor mdio e desvio padro da distribuio
gaussiana do parmetro considerado, e ALARME (ou ndice do nvel de alarme) um valor a ser
definido pelo analista de vibrao.
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
ALARME, entre 2 (para Alerta) e 3 (para Alarme).
Porm, este parmetro ALARME (ou ndice do nvel de alarme) deve ser escolhido pelo
analista de acordo com a confiabilidade dele no banco de dados histrico de vibrao.

22
2.2. CONCEITO DE LGICA FUZZY
A lgica fuzzy (ou nebulosa) um modo de mapear um espao de caractersticas de
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
pertence ou no a um determinado conjunto. No caso da lgica fuzzy, um certo valor pode
pertencer a um determinado conjunto com um certo grau de pertinncia.
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
comparao melhor exemplificada na Figura 2.1, onde se ilustra a classificao de altura de
pessoas.
(a) (b)
Figura 2.1 Comparao entre lgica clssica e lgica fuzzy 34.

23
Os conjuntos fuzzy definidos na lgica fuzzy so utilizados para representar conceitos
vagos, tais como: prximo, longe, quente, alto, muito quente, bem lento, etc.
Um conjunto fuzzy A pode ser expresso por 53:
A = {x, A ( x ) | x X } Equao 2.2
Sendo X o universo de discurso ao qual o conjunto pertence, x um componente do
conjunto fuzzy e A a funo de pertinncia. O universo de discurso indica o domnio em
que o modelamento do sistema fuzzy vlido.
A funo de pertinncia A associa a um dado componente do universo de discurso x,
o seu respectivo grau de pertinncia a um determinado conjunto fuzzy. Na Figura 2.1.b, a
funo de pertinncia o perfil que relaciona o valor numrico da altura (x) e o grau de
pertinncia ().
2.2.1. Funo de Pertinncia
A funo de pertinncia A associa a um dado componente x do universo de discurso
X, o seu respectivo grau de pertinncia em um determinado conjunto fuzzy.
Dentre os diversos perfis ou funes que so utilizados para este propsito, esto 16:
Trapezoidal;
Triangular;
Gaussiano;
Pi;
Beta;
Conforme apresentado no Apndice C, as funes de pertinncia podem ser descritas
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
abertura do perfil (f1 e f2).
2.2.2. Operadores Lgicos
De modo anlogo lgica clssica, na lgica fuzzy existem os operadores de conjunto

7
, como por exemplo: Unio, Interseco e Complemento; ou na nomenclatura da lgica
booleana, OU(OR), E(AND) e NEGAO(NOT), respectivamente.
O anlogo ao operador AND na lgica fuzzy conhecido como T-norm (Triangular
Norm), e definido por:
A B ( x ) = TT ( A ( x ), B ( x )) Equao 2.3
Analogamente, o anlogo ao operador OR conhecido como S-norm ou T-conorm, e
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
apresenta outras leis ou propriedades que os operadores lgicos devem possuir.
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].
Caracterstica T-norm S-norm
Contorno TT(0,0) = 0, TT(a,1) = TT(1,a) = a TS(1,1) = 1, TS(a,0) = TS(0,a) = a
Monotnico TT(a,b) TT(c,d) se a c e b d TS(a,b) TS(c,d) se a c e b d
Comutativo TT(a,b) = TT(b,a) TS(a,b) = TS(b,a)
Associativo TT(a,TT(b,c)) = TT(TT(a,b),c) TS(a,TS(b,c)) = TS(TS(a,b),c)

25
A seguir so apresentadas algumas funes que so utilizadas como operadores
lgicos. Apesar de algumas delas no obedecerem as propriedades da Tabela 2.1, elas so
usadas na prtica.
2.2.3. Operador AND
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
funes que podem definir este operador so descritas na Tabela 2.2.
O mais utilizado em sistemas de inferncia fuzzy a definio dada por Zadeh, ou
seja, a funo de mximo e de mnimo para os Operadores OR e AND, respectivamente. Esta
definio foi utilizada para os dois operadores nos testes realizados neste trabalho.
26
Tabela 2.2 Opes de operadores AND e OR
AND/Interseco () OR/Unio ()
Zadeh min ( A [x ], B [ y ]) max( A [x ], B [ y ])
2 min( A [x ], B [ y ]) +
A [x ] + B [ y ]
Mean + 4. max ( A [x ], B [ y ])
2
6
Mean( ) Mean()
2 2
Mean2
Mean Mean( ) Mean( )
Produto A [x ] B [ y ] ( A [x] B [ y ]) A [x] + B [ y ]

Bounded
max(0, A [x ] + B [ y ]) min (1, A [x ] + B [ y ])
Sum
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 )
2.2.5. Operador NOT
Este operador define o complemento de um conjunto fuzzy em um dado universo de
discurso. Para esta operao j foram apresentadas na literatura 7 diversas variaes, dentre
elas, so apresentadas na Tabela 2.3 algumas destas opes.
O mais utilizado em sistemas fuzzy aquele definido por Zadeh, que tambm foi
utilizado nos testes realizados neste trabalho.

27
Tabela 2.3 Opo de operador NOT
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
2.2.6. Valor Limiar
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.
Este valor escolhido baseado em conhecimentos empricos do criador do sistema fuzzy.
2.2.7. Regras de Inferncia
A lgica fuzzy, de maneira anloga lgica clssica, pode ser descrita em termos de
oraes que relacionam causa e conseqncia. Estas oraes so normalmente expressas na
forma se-ento (ou if-then). Elas so denominadas regras de inferncias.
Uma regra de inferncia pode ser apresentada como:
IF x A E/OU y NO B E/OU... ..w F ENTO u G
Ou
Orao Consequente ENTO

Orao Antecedente
28
Um outro modo de descrever uma regra de inferncia, segue o seguinte padro:
Se (IF) [Caracterstica] [Varivel Lingstica] E/OU (AND/OR) [Caracterstica] NO
(NOT) [Varivel Lingstica] E/OU (AND/OR)... ...[Caracterstica] [Varivel
Lingstica] ENTO (THEN) [Sada] [Varivel Lingstica]
Figura 2.2 Padro de regra de inferncia
2.2.8. Operador THEN
Alm dos operadores lgicos de interseco (AND), unio (OR) e complemento
(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
utilizadas as seguintes definies: CFR a funo de pertinncia de sada da regra de
inferncia, aps aplicar o operador THEN; PT o grau de veracidade da orao antecedente
da regra de inferncia; e CFS a funo de pertinncia de sada (orao conseqente).
Nos testes feitos neste trabalho, foi utilizada a funo Mnimo.
Tabela 2.4 Opo de operador THEN
THEN/Implicao ()
Mnimo CFR [xi ] min ( PT , CFS [xi ])
Produto CFR [xi ] PT CFS [xi ]

29
2.2.9. Operador de Agregao
Outro operador necessrio em um sistema de inferncia fuzzy o operador de
agregao de regras. Este operador une a influncia de todas as regras obtidas aps aplicao
do operador THEN sobre o resultado final, apresentando a conseqncia do sistema como um
todo devido s entradas do sistema fuzzy. Esta conseqncia pode ser definida pelas funes
apresentadas na Tabela 2.5.
Tabela 2.5 Opo de operador Agregao, sendo CFF as funes de pertinncia

resultante do sistema fuzzy.
Agregao()
Mximo CFF [xi ] max nj =1 ( CFR j [xi ])
Soma n
CFF [xi ] min1, CFR j [xi ]
j =1
Nos testes feitos neste trabalho, foi utilizada a funo Mximo.
2.2.10.Operador de Desfuzzificao
Por fim, o operador de desfuzzificao transforma o resultado fuzzy definido no
domnio fuzzy em um nmero escalar, que mais fcil para o usurio interpretar. Esta
transformao pode ser definida por 34:
Centride;
Bisector;
MOM (mdia do mximo);
SOM (menor dos mximos);
LOM (maior dos mximos).
Nos testes feitos neste trabalho, foi utilizada a Centride.

30
2.2.11.Inferncia Fuzzy
Inferncia fuzzy o processo de formulao do mapeamento de uma dada entrada para
uma sada usando lgica fuzzy. Utilizando esta base fornecida pelo sistema, o usurio pode
tomar as decises adequadas para a situao 34.
Pode-se definir dois tipos de sistemas de inferncia, o proposto por Mandani e o
proposto por Sugeno 34. A diferena entre eles o modo como modelam as sadas.
O mtodo de inferncia fuzzy proposto por Mandani a metodologia mais utilizada.
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.
Um sistema fuzzy pode ser dividido em cinco etapas, sendo eles:
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).
Este processo pode ser resumido na Figura 2.3.
Figura 2.3 Diagrama do processo de inferncia fuzzy 34

31
O modelo de Mandani possui as seguintes vantagens:
o modelo intuitivo;
amplamente aceito;
o mais indicado para trabalhar com entradas fornecidos por pessoas.
O mtodo de inferncia proposto por Sugeno similar ao proposto por Mandani,
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:
IF x A E/OU y NO B E/OU... ..w F ENTO u = k
Onde k um valor constante dentro do universo de discurso da sada. As sadas deste
processo podem ser denominadas singletons.
Um outro tipo de modelo Sugeno utilizado o de primeira ordem, cuja regra de
inferncia toma o seguinte perfil:
IF x A E/OU y NO B E/OU... ...w F ENTO u = p.x+q.y+r
Sendo p, q e r constantes. Neste modelo, considera-se que os singletons deslocam-se
dentro do universo de discurso conforme as entradas do sistema fuzzy. Deste modo, alm da
amplitude da sada depender da entrada, a sua localizao no universo de discurso tambm
depender.
Pode-se apresentar como vantagem do modelo Sugeno:
eficincia computacional;
um melhor modelamento de sistemas lineares, processos de otimizao e tcnicas
adaptativas;
garante-se a continuidade da sada do sistema;
32
2.3. CONCEITO DE SISTEMA DE INFERNCIA FUZZY
Um sistema de inferncia fuzzy um mtodo que permite modelar um sistema atravs

28,34
de regras simples, utilizando os conceitos de lgica fuzzy . A estrutura de um sistema de
inferncia fuzzy pode ser esquematizado como mostrado na Figura 2.4.
Figura 2.4 Estrutura de um Sistema Fuzzy
Como pode ser observado pela estrutura acima, o criador do sistema de inferncia
fuzzy deve fornecer as seguintes informaes iniciais:
definir os valores caractersticos de entrada do sistema de inferncia;

as funes de pertinncia de entrada para a etapa da fuzzificao dos valores
caractersticos;
as regras de inferncia que regem o sistema fuzzy;
definir os parmetros operacionais do sistema fuzzy, para determinar como o sistema
se comportar:
a. tipo de operador AND, OR e NOT da regra de inferncia;
b. tipo de operador THEN (ou concluso);
c. tipo de operador de agregao;
d. tipo de operador de desfuzzificao;
e. valor limiar .
as funes de pertinncia de sada para a etapa da desfuzzificao da sada do
sistema de inferncia fuzzy.
33
Normalmente, na implantao de um sistema de inferncia fuzzy deste tipo, so
necessrios pelo menos dois grupos de especialistas, um na rea em questo (por exemplo,
manuteno de mquinas especialistas do problema), e o outro composto por projetistas do
sistema fuzzy (especialista do sistema fuzzy).
Inicialmente, os especialistas do problema devem definir quais os valores
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).
Posteriormente, ele deve fornecer os dados necessrios ao especialista do sistema
fuzzy para este compor as funes de pertinncia de entrada e de sada. Uma outra
informao, tambm muito importante, que o especialista do problema deve fornecer ao
projetista do sistema fuzzy, so as regras de inferncia deste problema. Ou seja, a relao
entre causa e conseqncia.
Finalmente, o especialista do sistema fuzzy define os parmetros operacionais do
sistema fuzzy, e cria o sistema de inferncia.
Aps um projeto inicial, devem-se verificar quais as caractersticas que permitir ao
sistema obter a melhor resposta com o menor esforo computacional, bem como, quais as
propriedades que melhor simulam o sistema a ser modelado.
Mesmo aps a implantao, deve-se haver a preocupao de atualizar os
conhecimentos contidos no sistema fuzzy, de modo a adequ-lo s eventuais evolues do
fenmeno observado.
2.4. CONCEITO DE FUZZY C-MEANS
Fuzzy C-means ou FCM um algoritmo para separar em grupos de similaridades, ou
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
prottipos. A similaridade entre estes vetores prottipos e os vetores de dados representado
por um grau de pertinncia entre 0 e 1. Deste modo, um modo mais simples de se definir o
FCM, como sendo um algoritmo para obteno de funes de pertinncia.
2.4.1. Similaridade
Um conceito muito importante na lgica fuzzy e utilizada no conceito do Fuzzy C-
Means a similaridade, por ser uma das medidas amplamente utilizadas e discutidas para
obter as funes de pertinncia.
A similaridade entre dois elementos podem ser definida de duas formas:
similaridade estrutural: semelhana de forma, evoluo e caracterstica de uma
determinada funo que descreve o elemento;
similaridade pontual: pela medida de distncia no espao de caracterstica que
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
discretas), ou por caractersticas numricas que descreve o perfil desta funo.
No primeiro, ao se comparar duas funes pelos pontos de sua trajetria, pode-se
considerar cada um destes pontos como sendo uma caracterstica distinta. Com isso, alcana-
se um espao de caracterstica de N dimenses, sendo N o nmero de pontos da funo. A
similaridade pontual considera este espao de caracterstica para definir o grau de
similaridade. Este grau de similaridade obtido atravs de uma medida de distncia.

35
J a similaridade estrutural est mais ligada s caractersticas numricas que
descrevem o perfil de uma funo. Entre estas caractersticas pode-se citar o RMS, mnimo e
mximo global, caractersticas estatsticas (Skewness e Kurtosis), entre outros. O grau de
similaridade obtido comparando um conjunto destas caractersticas, e, portanto, pode-se
dizer que esta similaridade est relacionada escolha destas caractersticas. Esta similaridade
pode ser obtida tambm atravs da medida de distncia.
Figura 2.5 Exemplo de Similaridades
Atravs da Figura 2.5 pode-se exemplificar esta diferena de similaridade.
Considerando a similaridade pontual, as funes A e B so mais similares entre si, do que em
relao a C e D. Porm, ao se considerar a similaridade estrutural (neste exemplo, apenas a
ondulao da funo) as funes A e B perdem esta similaridade. Na Figura 2.5, a funo
estruturalmente mais similar a A a funo C, e a funo mais similar B a funo D.
Por esta discusso apresentada acima, fica claro que existe um ponto de sobreposio
entre estas duas definies de similaridade. Esta sobreposio se refere ao fato de se
considerar os pontos da trajetria da funo como caractersticas que a descrevem o seu perfil,
36
e posteriormente trat-los de modo semelhante similaridade pontual (atravs de medida de
distncia).
Outra diferena entre similaridades que a pontual trabalha com caractersticas de
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
de pico, RMS, Kurtosis,...).
Neste trabalho, foram utilizados grupos de caractersticas que usam ambos os
conceitos. Estes grupos de caractersticas so apresentados posteriormente.
2.4.2. Medida de Similaridade
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
pode-se citar principalmente a distncia euclidiana:
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
2.4.3. Algoritmo do FCM
Este algoritmo tem como objetivo calcular um conjunto B de vetores prottipos bi, a
partir de um conjunto X de objetos de treinamento xj. Estes dois conjuntos so relacionados
por outro conjunto U de graus de pertinncia i,j. O objeto de treinamento xj um vetor de S
valores caractersticos que representam um determinado dado. Analogamente, o vetor
prottipo bi o centro do grupo de similaridade i e deve possuir tambm S valores
caractersticos.
Neste algoritmo utilizada a seguinte funo de pertinncia 15:
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
sendo que se deseja obter c clusters, utilizando N objetos de treinamento.
O parmetro m o expoente fuzzy (definido em valores acima de 1). O expoente fuzzy
controla as sobreposies das funes de pertinncia. Quanto maior o valor de m, mais
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
Para garantir a convergncia do algoritmo so impostas duas restries:

i =1
i, j =1 j = 1,..., N
Equao 2.9
i , j [0,1] i = 1,..., c e j = 1,..., N
Equao 2.10
A primeira restrio indica que os conjuntos fuzzy so excludentes, ou seja, no existe
nenhum dado que pertena completamente (grau de pertinncia igual a 1) a dois conjuntos
distintos. J a segunda restrio a prpria definio de grau de pertinncia. Quando este
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
nica funo de pertinncia e 0 para as outras. Esta um perfil de funo de pertinncia
diferente das utilizadas para o sistema de inferncia fuzzy (apresentado no item 5.3.1).
39
Deve-se enfatizar novamente que no algoritmo FCM, o grau de pertinncia est
amplamente relacionado ao grau de similaridade entre dois vetores, o vetor prottipo e o vetor
objeto.
O algoritmo do FCM utilizado e apresentado neste trabalho trabalha com clusters
hiper-esfricos, devido escolha da medida euclidiana de distncia, apesar de ser o mais
utilizado existem variaes deste algoritmo que utilizam clusters elpticos que no so
discutidos nesta monografia.
A seguir so apresentados os passos do algoritmo FCM:
1. Inicializao:
Escolhe-se o nmero de clusters c, o expoente fuzzy m, e o critrio de parada.
Inicialmente, deve-se gerar a matriz de pertinncia U composta por ui,j. Normalmente,
esta matriz obtida aleatoriamente respeitando as restries apresentadas na Equao
2.9 e Equao 2.10.
2. Determinao dos centros dos clusters bi.
( )
j =1
i, j
m
xj
bi = N
i = 1,..., c Equao 2.11
( )
m
i, j
j =1
3. Reclculo dos graus de pertinncias i,j.
1
i , j = 2
i = 1,..., c e j = 1,..., N Equao 2.12
c di, j m 1
d

k =1 k , j
4. Verificao do critrio de parada.
Existem diversos critrios de paradas possveis. Neste trabalho foi utilizada a
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.
5. Se o critrio de parada no atendido, os passos 2 a 4 so repetidos.
A partir do algoritmo apresentado acima foram feitos alguns procedimentos para
melhor adapt-lo ao problema de reconhecimento de padro utilizando banco de dados com
alvos conhecidos. Esta adaptao feita de modo a obter automaticamente as regras de
inferncia de sistema fuzzy.

41
3. MATERIAIS E MTODOS
Para realizar os testes das metodologias apresentadas neste trabalho, foi necessria a
obteno de alguns dados experimentais de sinais de vibrao. A seguir apresentado um
resumo da metodologia utilizada para obter estes dados.
3.1. ROLAMENTOS
O banco de dados foi obtido utilizando rolamentos rgidos de esferas desmontveis

12
B015TVP da FAG (Figura 3.1) , cujas caractersticas geomtricas so apresentadas na
Tabela 3.1.
(a) (b)
Figura 3.1 Rolamento B015TVP da FAG (a) montado e (b) desmontado
Tabela 3.1 Caractersticas Geomtricas do Rolamento B015TVP
Caracterstica Geomtrica (mm)
Dimetro do Elemento Rolante (mm) d 7,2
Dimetro da Trajetria do Elemento (mm) D 27,6
Largura do Rolamento (mm) B 10,0
ngulo de Contato () c 0
Nmero de Esferas Z 10
42
O banco de dados composto de sinais de acelerao medidos em mancais de
rolamentos normais e com defeitos em classes de condies conforme mostradas na Tabela
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
(idem ao anterior, com tempo de exposio de 24 horas) e pista integralmente riscada. A
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).
Tabela 3.2 Condies amostradas
Defeito/Normal Localizao Rotao (rpm) Carga (N)
Normal -- 400
600 200
Riscado Pista Externa / Pista Interna 800 400
Corroso 1 Pista Externa / Pista Interna 1000 600
Corroso 2 Pista Externa / Pista Interna 1200
Furado Pista Externa / Pista Interna 1400
Quanto ordem de aquisio de sinais de vibrao, foram obtidas inicialmente, para
cada rolamento, com um determinado defeito, 5 amostras em cada velocidade de rotao e
carga aplicada. Posteriormente, o rolamento foi desmontado e montado novamente, e foi
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.
Cada conjunto de 5 amostras de sinais denominado neste trabalho como seqncia. Um
esquema desta ordem descrita, apresentado na Figura 3.2.

43
[5 amostras] [5 amostras] [5 amostras] [5 amostras]

1 NORMAL 1 NORMAL 1 NORMAL 1 NORMAL
400 rpm 600 rpm 1400 rpm 1400 rpm
200 N 200 N 200 N 400 N

1 NORMAL 1 NORMAL 1 NORMAL 1 NORMAL
1400 rpm 1200 rpm 400 rpm 400 rpm
600 N 600 N 600 N 400 N

1 FURO EXT 1 Corr1 Ext 1 Corr2 Ext 1 RISC EXT
400 rpm 400 rpm 400 rpm 400 rpm
200 N 200 N 200 N 200 N

1 RISC INT 1 Corr2 Int 1 Corr1 Int 1 FURO INT
400 rpm 400 rpm 400 rpm 400 rpm
200 N 200 N 200 N 200 N

2 NORMAL 3 NORMAL 4 NORMAL 4 RISC INT
400 rpm 400 rpm 400 rpm 1400 rpm
200 N 200 N 200 N 600 N
primeira seqncia de aquisies
ltima seqncia de aquisies
XXX condio a ser modificada para a prxima seqncia de aquisies
seqncia de aquisies realizada a seguir
conjunto de seqncia de aquisies realizadas (exemplo, todas as

condies de rotao, ou todas as condies de carga ou todas as condies
de carga e rotao).
Figura 3.2 Esquema da ordem de aquisio dos sinais de vibrao dos rolamentos.
44
Portanto, obteve-se um banco de dados composto de 20 amostras (4 seqncias de 5
amostras) de cada condio de sistema mostrado na Tabela 3.2. Com esta ordem de aquisio
de dados, incluiu-se no banco de dados diversas condies que no consideradas na Tabela
3.2, e portanto, no so estudadas neste trabalho, mas que existem na prtica, como, por
exemplo o mtodo de montagem do rolamento. Deste modo, criou um sistema de diagnstico
robusto, que no influenciado por estas outras condies no estudadas no presente trabalho.
3.2. APARATO EXPERIMENTAL
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
defeitos localizados (furado e corrodos) na direo vertical do acelermetro.
O motor utilizado um motor AC trifsico, de 4 plos (rotao nominal de 1720 rpm),
e 0,33 Watts de potncia.
Figura 3.3 Esquema da bancada de ensaios

45
O acelermetro utilizado foi o 353B02 da PCB, com sensibilidade de 19,74 mV/g. e
faixa de freqncia de 1 a 7000 Hz. O condicionador o modelo 480B10 da PCB.
O filtro-amplicador utilizado foi ajustado em uma freqncia de corte de 1,5 kHz. A
amplificao do sinal foi ajustada em funo da amplitude do sinal resultante, de modo a
obter a maior resoluo possvel, sem ocorrer a saturao do sistema de converso analgico-
digital.
Figura 3.4 Layout geral da bancada de ensaio de defeitos de rolamento
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
Figura 3.6 Equipamento de filtro, amplificao e converso A/D.
Para gravar o sinal no computador foi utilizada a placa de aquisio DAQPad-6070E
da National Instruments com resoluo de 12 bits e faixa de 10 V. Utilizou-se o programa
LabView para o controle da placa de aquisio.
Figura 3.7 Sistema de aquisio de dados
Para o controle de rotao do motor utilizou-se o variador de freqncia TOSHIBA
TOSVERT VF-S72004P(2) (Figura 3.8.b).

47
Figura 3.8 (a) Sistema de monitoramento da carga aplicada e (b) variador de

freqncia para regular a rotao do motor
Atravs de um outro sistema independente, utilizou-se uma clula de carga de
extensmetro, para monitorar a carga radial aplicada sobre o mancal de rolamento.
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
Wheatstone, e a leitura da tenso feita utilizando um multmetro (Figura 3.8.a).
Como parmetro de aquisio, foi utilizadas uma taxa de amostragem de 5 kHz com
10 segundos de amostragem. A Tabela 3.3 resume o equipamento e os parmetros de
aquisio utilizados.
Posteriormente, o sinal foi convertido de Volts para a unidade de acelerao (m/s2),
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.
A bancada experimental est no Laboratrio de Anlise Dinmica e Instrumentao
(LADIN) do Departamento de Engenharia Mecnica da Escola Politcnica da USP.
Tabela 3.3 Equipamento e parmetros de aquisio dos sinais de vibrao
Rolamento B015TVP (FAG)
Acelermetro (Modelo) 353B02 (PCB)
(Sensibilidade) 19,74 mV/g
(Faixa erro de 5%) 1 a 7000 Hz
Condicionador (Modelo) 480B10 (PCB)
Freqncia de corte 1,5 kHz
Amplificao (a ajustar)
Sistema A/D (Modelo) DAQPad-6070E (NI)
(Resoluo) 12 bits
(Faixa) 10 V
Taxa de amostragem 5 kHz
Perodo de aquisio 10 seg.
3.3. PARMETROS DE ANLISE DA VIBRAO
Nas plantas industriais, normalmente a anlise da vibrao feita utilizando sinal de
um acelermetro convertido em unidade de velocidade. Porm, pretendeu-se realizar os testes
apresentados neste trabalho com a menor quantidade possvel de pr-processamento. Portanto,
foi escolhido utilizar o sinal puro em acelerao ao invs de transform-lo em velocidade.

49
Para a anlise das metodologias de diagnstico apresentadas neste trabalho utilizaram-
se alguns parmetros dos sinais de vibrao apresentados no Apndice A. Eles so mostrados
na Tabela 3.4.
Tabela 3.4 Parmetros dos sinais de vibrao que compe o grupo Var/Todos.
Sinal de Origem Parmetro Smbolo
Sinal de Vibrao (1) RMS, RMS (Normal)
(2) Kurtosis, Kurtosis (Normal)
(3) Skewness, Skewness (Normal)
(4) Valor de Pico, Pico (Normal)
(5) ER ER (Normal)
Amplitude Mxima do Espectro de (6) 0 e 500 Hz, Pico B1 (Normal)
Freqncia do Sinal de Vibrao (7) 501 e 1000 Hz, Pico B2 (Normal)
entre: (8) 1001 e 1500 Hz Pico B3 (Normal)
Envelope do Sinal (9) RMS, RMS (Envelope)
(10) Kurtosis, Kurtosis (Envelope)
(11) Skewness, Skewness (Envelope)
(12) Valor de Pico, Pico (Envelope)
(13) ER ER (Envelope)
Amplitude Mxima do Espectro de (14) 0 e 500 Hz, Pico B1 (Envelope)
Freqncia do Envelope do sinal (15) 501 e 1000 Hz, Pico B2 (Envelope)
entre: (16) 1001 e 1500 Hz Pico B3 (Envelope)
Estes parmetros foram utilizados para formar um primeiro grupo de parmetros de
anlise (denominado como Var/Todos) que foi utilizado nos testes dos sistemas de
50
diagnstico. Estes parmetros foram escolhidos, pois so os mais comumente utilizados na
indstria e em artigos tcnicos.
Outros grupos de parmetros utilizados, foram as amplitudes do espectro de freqncia
do sinal de 0 a 1250 Hz obtidas pelo esquema mostrado na Figura 3.9. Com estas amplitudes
foram obtidos quatro grupos de espectros, denominados PSD_64, PSD_128, ENVPSD_64 e
ENVPSD_128. Obteve-se cada um dos quatro grupos de espectros atravs do esquema
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.
No 2 grupo (denominado PSD_64) utilizaram-se as amplitudes em cada freqncia do
espectro de vibrao que possua uma resoluo de aproximadamente 9,76 Hz (65 pontos). No
3 grupo (denominado PSD_128) este espectro de vibrao possua uma resoluo de
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
ENVPSD_64 e ENVPSD_128, respectivamente).
PSD 64 [f]
PSD
Janela
Sinal de (128)
Vibrao
ENVPSD 64 [f]
Sinal (x[t]) Reamostragem
PSD 128 [f]

Envelope
Do Sinal
PSD
Janela
(256)
ENVPSD 128 [f]
Figura 3.9 Esquema para obteno os espectros de freqncia
Estes grupos de parmetros foram escolhidos, pois o espectro de vibrao, tanto do
sinal de vibrao quanto de seu envelope, possuem as informaes necessrias para o

51
diagnstico do mancal de rolamento analisado. Estas informaes normalmente so decifradas
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
Caractersticas/Grupo PSD_64 ENVPSD_64 PSD_128 ENVPSD_128

o o o
2 Grupo 3 Grupo 4 Grupo 5oGrupo
Freqncia de amostragem na
5000 5000
aquisio do sinal (Hz)
Freqncia de amostragem aps
1250 1250
reamostragem (Hz)
Freqncia mxima do espectro
625 625
(Hz)
Nmero de pontos da janela de
256 128
ponderao (Hanning)
Nmero de pontos de sobreposio
64 32
para clculo de espectro
Durao temporal da janela de
0,204 0,102
ponderao (s)
Resoluo frequencial Janela de
14,3 7,3
Hanning (Hz)
Resoluo frequencial grfica (Hz)
9,76 4,88
Tamanho do vetor de
65 129
caracterstica (pontos)
feita uma anlise global dos sistemas de diagnsticos utilizando estes diferentes
grupos de parmetros.
Resumindo os parmetros utilizados como entrada para os sistemas de diagnstico
automtico, tem-se a Tabela 3.6.

52
Tabela 3.6 Tabela de resumo dos grupos de parmetros de anlise de vibrao

utilizados no sistema de diagnstico automtico.
Grupo Caractersticas
1o Var/Todos 9 (1) RMS, (2) Kurtosis, (3) Skewness, (4) Valor
(16 parmetros) de Pico, (5) ER do sinal;
9 Amplitude da Mxima Freqncia do sinal
entre (6) 0 e 500 Hz, entre (7) 501 e 1000 Hz e
entre (8) 1001 e 1500 Hz;
9 (9) RMS, (10) Kurtosis, (11) Skewness, (12)
Valor de Pico, (13) ER do Envelope do sinal;
9 Amplitude da Mxima Freqncia do Envelope
do sinal entre (14) 0 e 500 Hz, entre (15) 501 e
1000 Hz e entre (16) 1001 e 1500 Hz.
2o PSD_64 Espectro de Vibrao de Acelerao com 64
(64 parmetros) pontos e freqncia mxima de 625 Hz.
4o ENVPSD_64 Envelope do Espectro de Vibrao de Acelerao
(64 parmetros) com 64 pontos e freqncia mxima de 625 Hz.

53
4. ALARMES ESTATSTICOS
Na anlise de vibrao em plantas industriais, normalmente se utilizam valores globais
de vibrao limiares para determinar a condio de trabalho de um equipamento. Estes
valores limiares so definidos como alarmes (ou alertas).
Normalmente, estes valores so obtidos via recomendaes ou normas que so
baseados em condies padres de uma famlia de equipamento.
Entretanto, existe uma grande quantidade de equipamentos que no seguem a
tendncia padro de sua famlia, de modo que os valores de alarme se tornam ineficientes para
representar a condio do equipamento.
Neste captulo, apresentado um conceito existente, mas no muito utilizado na
anlise de vibrao, que so os alarmes estatsticos. Estes alarmes so obtidos considerando o
histrico de vibrao de um determinado equipamento, e seu sistema de deciso baseado em
lgica clssica.
4.1. TESTES
Com o objetivo de analisar o comportamento de alguns parmetros de entrada sobre o
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.
Para a realizao destes testes, foram utilizados os seguintes parmetros de vibrao
apresentados na Tabela 4.1 (ver Captulo 3) aplicados ao banco de dados de teste, obtendo um
conjunto de valores caractersticos.

54
Tabela 4.1 Parmetros dos sinais de vibrao utilizados no teste do alarme estatstico.
Sinal de Origem Parmetro Smbolo
Sinal de Vibrao (1) RMS, RMS (Normal)
(2) Kurtosis, Kurtosis (Normal)
(3) Skewness, Skewness (Normal)
(4) Valor de Pico, Pico (Normal)
(5) ER ER (Normal)
Amplitude Mxima do Espectro de (6) 0 e 500 Hz, Pico B1 (Normal)
Freqncia do Sinal de Vibrao (7) 501 e 1000 Hz, Pico B2 (Normal)
entre: (8) 1001 e 1500 Hz Pico B3 (Normal)
Envelope do Sinal (9) RMS, RMS (Envelope)
(10) Kurtosis, Kurtosis (Envelope)
(11) Skewness, Skewness (Envelope)
(12) Valor de Pico, Pico (Envelope)
(13) ER ER (Envelope)
Amplitude Mxima do Espectro de (14) 0 e 500 Hz, Pico B1 (Envelope)
Freqncia do Envelope do sinal (15) 501 e 1000 Hz, Pico B2 (Envelope)
entre: (16) 1001 e 1500 Hz Pico B3 (Envelope)
Extraiu-se deste conjunto de valores caractersticos todos os aqueles obtidos com um
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
padro que foram utilizados para obter o nvel de alarme.

55
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
como possuindo DEFEITO.
Um resumo esquemtico desta separao do banco de dados para criao e teste do
alarme estatstico apresentado na Tabela 4.2.
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
Banco de dados para treinamento

Banco de dados para teste
Figura 4.1 Esquema da separao do banco de dados de cada parmetro para a

realizao do teste do alarme estatstico.
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
cada parmetro considerado. Esta variao ocorreu entre 0,1 a 4,0.
Uma vez que o alarme estatstico s permite a Deteco de um defeito, no possvel
realizar a Classificao (ou tipo) deste defeito (por exemplo, furo, corroso, riscado,...).
56
4.2. RESULTADOS E DISCUSSES
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
grficos, foram utilizadas as seguintes definies:
Nmero de Acertos de Defeitos

Acertos de Defeitos = [%] Equao 4.1
Nmero Total de Testes de Defeitos
Nmero de Acertos de Normais

Acertos de Normais = [%] Equao 4.2
Nmero Total de Testes de Normais
1
Acertos Totais = Acertos de Defeitos + Acertos de Normais [%] Equao 4.3
2

RMS (Normal)
Figura 4.2 Grficos para anlise de desempenho do alarme estatstico do parmetro

RMS considerando o banco de dados apenas de NORMAL, apenas de DEFEITO e
considerando ambos os banco de dados.
57
Pico (Envelope)
Figura 4.3 - Grficos para anlise de desempenho do alarme estatstico do parmetro

Valor de Pico de Envelope considerando o banco de dados apenas de NORMAL, apenas
de DEFEITO e considerando ambos os banco de dados.
Alarmes Estatsticos (Mximos

(MximasDesempenhos)
Performance)
76,0
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
Figura 4.4 Mximo desempenho de acertos para todos os parmetros de anlise de

vibrao utilizados.
58
Alarmes Estatsticos (Mximos

(MximasDesempenhos)
Performance)
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).
Nos grficos da Figura 4.2 e da Figura 4.3 exemplificada a influncia do ndice de
nvel de alarme ALARME sobre a desempenho (ou nmero de acerto). Todos os parmetros de
anlise de vibrao utilizados nesta metodologia (RMS, Kurtosis, Skewness,...) apresentaram
o mesmo comportamento destes dois grficos.
Percebe-se que o Acertos de Normais tende a aumentar conforme o aumento 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
para identificar as diferenas entre o NORMAL e o DEFEITO, de modo a identificar todos os
NORMAIS corretamente, porm, diagnosticando erroneamente o DEFEITO tambm como
NORMAL.
59
Balanceando a desempenho de Acertos de Normais e a desempenho de Acertos de
Defeitos, obtendo assim, a desempenho de Acertos Totais, percebe-se a existncia de um
ponto timo de melhor desempenho ou acerto.
O ponto timo de melhor desempenho para cada parmetro de anlise de vibrao
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).
Pelos resultados apresentados na anlise dos testes da metodologia de alarme
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 valor timo vai depender tanto da capacidade do parmetro escolhido de diferenciar
o caso NORMAL dos casos com DEFEITO (grande diferena entre as mdias) quanto da
capacidade de repetibilidade do parmetro (pequeno desvio padro). Porm, o mesmo
procedimento utilizado neste trabalho, separando um banco de dados de treinamento e de teste
pode ser utilizado em qualquer caso, para determinar o ndice do nvel de alarme timo para
um dado equipamento qualquer e parmetro escolhido para ser utilizado.
Finalmente, verificou-se que o melhor desempenho obtido atravs da metodologia do
alarme estatstica foi do parmetro ER em Envelope, com um valor de 76,0% de acertos.

60
Este desempenho timo obtido com o sistema de diagnstico de Alarme Estatstico
(76,0% de acertos) utilizada para comparao com os sistemas de diagnsticos obtidos
atravs de outras metodologias apresentadas a seguir neste trabalho.
Tabela 4.2 Tabela com mxima desempenho obtida pelo Alarme Estatstico.
Deteco
Desempenho de Acertos 76,0 %
Parmetro de Entrada ER em Envelope
ALARME 2,0
Relembramos que o alarme estatstico permite apenas a deteco de uma anormalidade
ou falha, no sendo possvel classificar qual o tipo da falha. Alm disso, ele baseado apenas
do histrico de dados analticos que o equipamento possui, no sendo possvel agregar
conhecimentos heursticos ao modelo.
Nos casos onde no exista um banco de dados completo e amplo de um determinado
equipamento, pode-se aplicar o alarme estatstico utilizando um banco de dados composto de
equipamentos semelhantes. Caso, estes ltimos no existam, o alarme estatstico no pode ser
proposto, sendo normalmente usados os valores recomendados em normas. Com o tempo,
logo que se obtenha um bando de dados mais amplo, o alarme estatstico pode ser instalado no
equipamento ou seu valor atualizado.

61
5. SISTEMA DE INFERNCIA FUZZY
Uma das principais desvantagens ou limitaes de um sistema fuzzy a necessidade
de um especialista do problema para obter o conhecimento heurstico para construir as
funes de pertinncia, regras de inferncia e outros componentes necessrios no sistema
fuzzy (por exemplo, tipo de operadores lgicos, operador de desfuzzificao,...). Este trabalho
pode ser extremamente longo, em funo da complexidade do sistema a ser implementado.
Entre os problemas relacionados com a dificuldade de se criar um sistema fuzzy, pode-
se destacar dois, a obteno e construo das funes de pertinncia e das regras de
inferncia. Aqui se podem separar as funes de pertinncias em dois tipos: as de entrada
(para o processo de fuzzificao), e as de sada (para obter as conseqncias de cada regra).
Na metodologia utilizada neste trabalho para criao de sistema de inferncia fuzzy,
pretendeu-se focar principalmente na resoluo dos problemas de criao da funo de
pertinncia de entrada e da regra de inferncia.
5.1. METODOLOGIA PARA AUTOMATIZAR A CRIAO DO SISTEMA FUZZY
Um modo de se resolver os problemas de criao da funo de pertinncia de entrada e
da regra de inferncia utilizando uma metodologia para criar o sistema de inferncia fuzzy
automaticamente baseando-se em informaes contidas em um banco de dados 16.
Apesar desta metodologia automatizar estes dois processos de criao do sistema
fuzzy (funes de pertinncia de entrada e regras de inferncia), outros parmetros, tais como:
a funes de pertinncia de sada, operadores lgicos, operadores de implicao, entre outros;
ainda precisam ser definidos pelo usurio.

62
Esta metodologia apresentada detalhadamente a seguir, mostrando as etapas de
criao automtica das funes de pertinncia e das regras de inferncia. Para melhor ilustrar
cada etapa proposta, ser utilizado um exemplo simples, posteriormente o sistema de
inferncia ser aplicado no caso real proposto no Captulo 3.
Aplicando neste caso real, os desempenhos dos sistemas de inferncia obtidos por esta
metodologia sero comparados com os desempenhos das outras metodologias (alarme
estatstico e Fuzzy C-Means) propostas neste presente trabalho.
5.1.1. Obteno das Funes de Pertinncia
Inicialmente, o usurio deve definir as condies a serem identificadas (parmetro de
interesse), obtidas em diversas condies experimentais (parmetros que no se pretende
diagnosticar).
Posteriormente, devem-se escolher as Caractersticas que descrevem as condies a
serem identificadas.
Apenas para fins ilustrativos, vamos considerar um exemplo de banco de dados
hipottico. Este exemplo muito mais simples que um banco de dados real, mas permite uma
melhor compreenso dos passos utilizados na metodologia.
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
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 5.1. O objetivo
neste exemplo criar um sistema de diagnstico que determine a condio a ser identificado
(G1 ou G2) atravs dos valores das Caractersticas (1 e 2).

63
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
Figura 5.1 Mapeamento do banco de dados hipottico de exemplo para demonstrar a

metodologia.
Para um dado grupo e condio experimental (G1-C1, G1-C2, G2-C1 e G2-C2)
definido, calculada a mdia de cada Caracterstica (1 e 2) e o seu respectivo desvio padro.
Portanto, no fim o usurio possuir um novo banco de dados composto de mdias e desvios
padres para cada condio a ser identificada e cada condio experimental.
No exemplo proposto acima, tm-se os seguintes valores de mdias e desvio padro:

64
Tabela 5.1 Mdias e desvios padres do exemplo da Figura 5.1.
Caracterstica 1 Caracterstica 2
Mdia (m) Desvio Padro () Mdia Desvio Padro ()
Grupo G1 G1_C1 0.93 0.25 0.96 0.33
G1_C2 3.98 0.31 2.99 0.28
Grupo G2 G2_C1 4.05 0.28 1.05 0.21
G2_C2 2.09 0.29 2.08 0.27
Posteriormente, definido para cada valor caracterstico um tipo de perfil de funo de
pertinncia, que melhor o represente. No exemplo proposto neste item, foi escolhido
arbitrariamente utilizar um perfil do tipo gaussiano, apresentado na Figura 5.2.
1
u[x]
0.368
0
m - m m+
a) b)
Figura 5.2 Parmetros da funo (a) gaussiana.
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
Assim, devem-se definir as disperses () para o perfil da funo de pertinncia. No
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
apresentados na Figura 5.3 e Figura 5.4.
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)
(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
(a) (b)
(utilizando caracterstica 1 (a) e 2 (b) para os dois grupos).
66
As funes de pertinncia criadas a partir das caractersticas so agrupadas e
relacionadas a uma condio a ser identificada (Grupo G1 e Grupo G2).
5.1.2. Obteno das Regras de Inferncia
Uma vez que as funes de pertinncia foram criadas utilizando o procedimento
descrito acima, devem-se definir as regras de inferncia que regem o sistema fuzzy, e que
relaciona a entrada com a sada.
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
identificada como sendo N(i,j,k) e a sada como sendo Y(i).
Sendo que:
i=1...n (nmero de condies ou padres a serem identificadas);
j=1...m (nmero de valores de caractersticos de entrada) e;
k=1...p(i,j) (nmero de funes de pertinncia relacionada a uma condio a ser
identificada e uma caracterstica)

67
As regras de inferncia fuzzy padres so:
SE {[X(1)] [N(i,1,1)] OU [X(1)] [N(i,1,2)] OU ... OU [X(1)] [N(i,1,p(i,1))]} E {[X(2)]
[N(i,2,1)] OU [X(2)] [N(i,2,2)] OU ... OU [X(2)] [N(i,2,p(i,1))]} E ... E {[X(m)] [N(i,m,1)] OU
[X(m)] [N(i,m,2)] OU ... OU [X(m)] [N(i,m,p(i,1))]} ENTO [Y(i)] [Def(i)] SENO
SE {[X(1)] [N(i+1,1,1)] OU [X(1)] [N(i+1,1,2)] OU ... OU [X(1)] [N(i+1,1,p(i+1,1))]} E
{[X(2)] [N(i+1,2,1)] OU [X(2)] [N(i+1,2,2)] OU ... OU [X(2)] [N(i+1,2,p(i+1,1))]} E ... E
{[X(m)] [N(i+1,m,1)] OU [X(m)] [N(i+1,m,2)] OU ... OU [X(m)] [N(i+1,m,p(i+1,1))]} ENTO
[Y(i+1)] [Def(i+1)] SENO
SE ...
Figura 5.5 Regras de inferncias padres
O sistema de inferncia fuzzy seria composto de n (nmero de condies a serem
identificadas) destas regras de inferncia.
Um modo de interpretar este conjunto de regras de inferncia : se a entrada do
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
proximidade feita comparando todas os valores caractersticos definidos no sistema fuzzy.
Do exemplo da Figura 5.1, obtm-se as seguintes regras:

68
SE {[X(1)] [G1_C1_Caract1] OU [X(1)] [G1_C2_Caract1]} E {[X(2)]
[G1_C1_Caract2] OU [X(2)] [G1_C2_Caract2] } ENTO [Y(i)] [G1] SENO
SE {[X(1)] [G2_C1_Caract1] OU [X(1)] [G2_C2_Caract1]} E {[X(2)]
[G2_C1_Caract2] OU [X(2)] [G2_C2_Caract2] } ENTO [Y(i)] [G2]
Figura 5.6 Regra de Inferncia Padro para o exemplo da Figura 5.1.
Utilizando para os operadores OU e E, que so as funes de mximo e mnimo,
respectivamente, chega-se nas seguintes representaes bi-dimensional da Figura 5.7 quando
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
(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
(b)
Figura 5.7 Representao do conjunto (funes de pertinncia e regras de inferncia)

para o (a) grupo G1 e o (b) grupo G2 representados no exemplo da Figura 5.1.
5.1.3. Representao Grfica do Sistema de Diagnstico Fuzzy
Um outro modo de se representar graficamente o sistema de inferncia fuzzy obtido
por esta metodologia na forma de rede, como ilustrado na Figura 5.8. Nesta figura as linhas
70
finas esto relacionadas s Caractersticas de entrada e as linhas grossas s condies a
serem identificadas.
Nesta figura, alm da sada normalmente utilizada por um sistema fuzzy, que a sada
desfuzzificada, tambm proposto um outro tipo de sada para identificao da condio a
ser identificada mais ativada ou mais semelhante ao sinal a ser identificado.
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
utilizada para criar alguns sistemas de deteco e classificao de defeitos em rolamentos.
O banco de dados utilizado neste teste composto de conjuntos de sinais de vibraes
para cada condio a ser identificada (parmetros de interesse, neste teste, o tipo de defeito
do rolamento), e obtidas em diversas condies experimentais (parmetros que no se
pretende diagnosticar, tais como rotao do eixo ou carga).
Inicialmente, escolheram-se os parmetros ou valores caractersticos dos sinais de
vibraes a serem utilizados como entrada do sistema de inferncia fuzzy. A partir do banco
de dados, so calculados os valores caractersticos escolhidos para cada sinal de vibrao,
utilizando as equaes citadas no Apndice A.
Como se est enfocando a anlise de sinais de vibraes, a metodologia apresentada
iniciada com este tipo de informao bruta, sem um tratamento de sinal mais criterioso.
Porm, esta metodologia pode ser empregada considerando-se j conhecidas os valores
caractersticos.
Foram testadas algumas combinaes de estratgias de diagnstico apresentadas no
item 5.2.2, podendo estas serem resumidas na Tabela 5.2.

72
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
Grupo de Parmetros para Anlise Var/Todos
de Vibrao PSD_64
Caractersticas 05 ENVPSD_64
PSD_128
ENVPSD_128
Perfil da Funo de Pertinncia Trapezoidal
Triangular
05 Gaussiana
Pi
Beta
Tipo de Estratgia de Diagnstico Classificao

02
Deteco
Tipo de Clculo de Mdias e Desvios Todas
Padres utilizados na funo de Mdia/Amostra 02 Cada
Pertinncia
73
As diferentes combinaes das possibilidades apresentadas acima permitem gerar
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
perfis das funes de pertinncia e aos grupos de caractersticas.
5.2.1. Parmetros de Criao do Sistema Fuzzy
Os seguintes parmetros do sistema fuzzy foram utilizados nos sistemas de inferncia
fuzzy apresentadas a seguir:
Operador AND - Zadeh
Operador OR Zadeh
Operador NOT Zadeh
Operador THEN - Mnimo
Operador de Agregao Mximo
Operador de Desfuzzificao Centride
Valor Limiar 0.1
Nmero de Pontos para Discretizao 1000
Operador Geral das Regras de Inferncia AND (Peso: 1)
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.
Conforme observada na figura, as variveis lingsticas utilizadas para estas funes de
pertinncia de sada so apresentadas na Tabela 5.3, sendo que cada uma delas est
relacionada com uma condio do mancal de rolamento.

74
Esta configurao de funes de pertinncia de sada foi adotada uma vez que estes
defeitos possuem naturezas diferentes, e, portanto, propem-se como sada da desfuzzificao
uma escala adimensional de gravidade de falha, estando o nvel de gravidade 0 relacionado
com a condio normal e o nvel de gravidade 10 relacionado com os defeitos utilizados para
montar o banco de dados.
Tabela 5.3 Nomes das variveis lingsticas das funes de pertinncia de sada.
Nome da Varivel Lingstica de Sada Condio do Rolamento
Normal Normal
RiscadoExt Defeituoso riscado na pista externa
Corrosao1Ext Defeituoso corroso 1 na pista externa
Corrosao2Ext Defeituoso corroso 2 na pista externa
FuradoExt Defeituoso furado na pista externa
RiscadoInt Defeituoso riscado na pista interna
Corrosao1Int Defeituoso corroso 1 na pista interna
Corrosao2Int Defeituoso corroso 2 na pista interna
FuradoInt Defeituoso furado na pista interna

75
Funes de P ertinncia de S ada

1
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
Carac ters tic a

1
0.5
0
0 2 4 6 8 10
Nvel de Gravidade
Carac ters tic a
Funes de P ertinncia de Sada

Corros ao2E x t
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
Funes de P ertinncia de S ada

Corros ao1Int
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
Figura 5.9 As possveis sadas do sistema fuzzy (Classificao)

76
Para o caso de diagnstico com apenas Deteco, no foi necessrio o processo de
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.
Outro parmetro importante para os sistemas fuzzy o perfil da funo de pertinncia
de entrada. Neste trabalho, como padro, utilizada uma funo de pertinncia de entrada
com perfil Beta e disperso (f1) de 1,0.
Um exemplo das funes de pertinncias obtidos apresentado na Figura 5.10, onde
possvel ilustrar a aplicao desta metodologia no caso especfico determinado para este
trabalho. Para o valor caracterstico Skewness, so apresentadas seis condies a serem
identificadas ou variveis lingsticas (Normal, RiscadoExt, Corrosao1Ext, Corrosao2Ext,
FuradoExt e RiscadoInt). Para cada condio a ser identificada, existe um conjunto de
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
1
Corrosao1Ext
0 .5
0
-1 -0 . 5 0 0.5 1 1 .5
Funes de Pertinncia de Skewness - Conhecimento Analtico
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
Figura 5.10 Exemplo de conjunto de funo de pertinncia para uma determinada

caracterstica. Cada grfico com um conjunto de curvas est relacionado a uma varivel
lingstica (Normal, RiscadoExt, etc). O universo de discurso definido por [-1.1,1.8],
como pode ser verificado na abscissa.
78
Um dos parmetros dos sistemas fuzzy que foi variado para a anlise de sensibilidade
o tipo de perfil da funo de pertinncia (Figura 5.11), utilizando os fatores de proporo de
disperso, que so apresentadas na Tabela 5.4.
Tabela 5.4 Fatores de Proporo de Disperso
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
Perfis de Funes de Pertinncia
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
Figura 5.11 Tipos de funes de pertinncias com os parmetros de entrada para um

valor mdio 0 e um desvio padro de 1.
Alm dos testes com estes fatores de proporo de disperso de funes de
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
Tabela 5.5 Fatores de Proporo de Disperso
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
de pertinncia. Nos outros testes utilizou-se os fatores da Tabela 5.4.
Perfis de Funes de Pertinncia

Trapezoidal
Triangular
1 Gaussiana
Pi
Beta
0.8 Valor Alfa
u[x]
0.6
0.4
0.2
0
-3 -2 -1 0 1 2 3
Universo de Discurso
Figura 5.12 Tipos de funes de pertinncias com os parmetros de entrada para um

valor mdio 0 e um desvio padro de 1.
80
5.2.2. Estratgias de Diagnstico para Teste do Sistema Fuzzy
So propostas algumas variaes ou estratgias de diagnsticos que podem ser
utilizadas no sistema de inferncia fuzzy com o objetivo de alcanar maior confiabilidade.
Algumas combinaes destas estratgias foram feitas nos testes realizados neste trabalho.
5.2.2.1. Variao do Banco de Dados de Criao
Baseando-se no banco de dados global, foram montados quatro conjuntos de banco de
dados contendo diferentes combinaes de amostras. Estes conjuntos de dados so chamados
de banco de dados de criao.
O primeiro, chamado de (Amostra-1 a 10), composto somente com um quarto do
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
de dados. O quarto, chamado de (Amostra-Variado), composto por dez amostras obtidas
aleatoriamente do banco de dados inteiro.
Estas combinaes visam verificar a robustez do sistema, ou seja, se a disperso das
funes de pertinncia (relacionada com a disperso das amostras) so adequadas para
descrever as variveis lingsticas e se outros parmetros no controlados influenciam no
desempenho do sistema fuzzy.
Para a etapa de teste foram montadas duas diferentes combinaes de amostras,
chamadas de conjunto de teste. O primeiro conjunto, chamado de (Amostra/Tipo-15 a 20),
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
criao: (Amostra-1 a 10), (Amostra-1 a 15) e (Amostra-1 a 20). O outro, denominado
(Amostra/Tipo-Variado), composto por sete amostras obtidas aleatoriamente do banco de

81
dados inteiro, e foi utilizado para testar os sistemas fuzzy criados a partir do conjunto de
criao (Amostra-Variado).
5.2.2.2. Variao de Rotao
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
relacionada com a rotao, nomeada respectivamente por (Rotao-##) e (Rotao-400, 600,
800, 1000, 1200 e 1400).
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
variaes experimentais feitas. Nos testes apresentados aqui, o clculo denominado
(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).
5.2.2.4. Deteco x Deteco/Classificao
Para verificar a influncia da complexidade de diagnstico sobre o sistema fuzzy,
foram utilizadas duas estratgias distintas. Na primeira, as funes de pertinncias so
construdas para todos os defeitos, de modo que ao se fazer o teste possa-se identificar o tipo
de defeito do mancal (Deteco/Classificao). A outra estratgia montar as funes de
pertinncia referentes apenas s condies normais, e definindo um Valor limiar de ndice

82
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
defeito que ocorreu, mas apenas detectar o defeito.
O diagnstico de Deteco muito similar ao alarme tradicional na indstria, ambos
apenas permitem identificar se existe algum defeito no rolamento. Porm, na estratgia
apresentada neste trabalho, permitido trabalhar com diversos parmetros caractersticos, ao
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
no, abrupta, como ocorre no alarme tradicional.
5.2.2.5. Escolha dos Parmetros Caractersticos de Vibrao
Os parmetros caractersticos foram divididos em cinco grupos com diferentes
parmetros de anlise de vibrao que foram utilizados no sistema de inferncia fuzzy. Estes
parmetros de anlise de vibrao so apresentados no Apndice A. Um resumo destes grupos
apresentado na Tabela 5.6.

83
Tabela 5.6 Tabela de resumo dos grupos de parmetros de anlise de vibrao

utilizados no sistema de inferncia fuzzy.
1o Var/Todos 9 (1) RMS, (2) Kurtosis, (3) Skewness, (4) Valor
(16 parmetros) de Pico, (5) ER do sinal;
9 Amplitude da Mxima Freqncia do sinal
entre (6) 0 e 500 Hz, entre (7) 501 e 1000 Hz e
entre (8) 1001 e 1500 Hz;
9 (9) RMS, (10) Kurtosis, (11) Skewness, (12)
Valor de Pico, (13) ER do Envelope do sinal;
9 Amplitude da Mxima Freqncia do Envelope
do sinal entre (14) 0 e 500 Hz, entre (15) 501 e
1000 Hz e entre (16) 1001 e 1500 Hz.
5.3. RESULTADOS
No que se segue so discutidos principalmente as influncias da variao das
caractersticas dos sinais e o tipo de perfil da funo de pertinncia.

84
5.3.1. Tipo de Perfil da Funo de Pertinncia
Atravs de anlise global dos resultados, observou-se em todos os casos, a seguinte
ordem de melhor desempenho em relao ao perfil adotado:
1. Beta;
2. Triangular;
3. Pi;
4. Gaussiana;
5. Trapezoidal.
Como conceito de desempenho utiliza-se o menor ndice de Indeciso e Inexistncia, e
ainda o maior nmero de acertos entre normal e defeitos.
Um exemplo deste desempenho ordenado pode ser observado comparando os ndices
de Acertos de Tipo e de Inexistncia para um sistema fuzzy para diagnstico de
Deteco/Classificao utilizando caracterstica PSD_128 (Caractersticas- PSD_128),
mdia e desvio padro obtidos de um misto de seqncias do banco de dados (Amostra-
Variado e Mdia/Amostra-Todas), considerando uma nica rotao de 600 rpm (Rotao-
600), que so, respectivamente:
Beta 89.95% (Acertos de Tipo) e 5.82% (Inexistncia).

Triangular 17,46% (Acertos de Tipo) e 82.54% (Inexistncia).
Pi 3,70% (Acertos de Tipo) e 96.30% (Inexistncia).
Gaussiana 2.65% (Acertos de Tipo) e 97.35% (Inexistncia).
Trapezoidal 1.06% (Acertos de Tipo) e 98.94% (Inexistncia).
A desempenho global relacionada ao ndice de Indeciso de cada perfil devida
principalmente disperso da funo de pertinncia. No caso da funo Beta, a disperso
muito maior que nas outras funes, sendo este de aproximadamente o dobro em relao ao
Trapezoidal, o Pi, e o Gaussiano.

85
A disperso no caso da funo triangular tambm maior em relao a outras funes,
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,
resultando em um menor ndice de Inexistncia. Pela mesma razo, a funo de pertinncia
Trapezoidal possui o maior ndice de Inexistncia.
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
na condio de melhor desempenho (diagnstico com deteco e classificao
(Deteco/Classificao) utilizando caractersticas (PSD_64), mdia e desvio padro obtidos
de um misto de seqncias do banco de dados (Amostra-Variado e Mdia/Amostra-Todas),
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
Defeitos S/N), e 82% de acertos de classificao (Acertos de Tipo).
Outra caracterstica importante do perfil Beta o seu topo mais estreito, o que implica
em um sistema que d maior importncia a condies obtidas bem prximas da mdia.
No caso da funo de pertinncia Trapezoidal, alm de possuir um alto ndice de
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
acionadas neste nvel, obtendo assim uma indeciso.
Um aspecto muito importante observado o menor Tempo de Criao para a funo
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
parmetros e para a funo Trapezoidal tm-se quatro parmetros.

86
Alm disso, o Tempo de Teste/Amostra tambm muito inferior em relao aos
outros, pois a funo Beta descrita apenas por uma frmula polinomial, enquanto a Pi e a
Trapezoidal so descritas por quatro funes, sendo necessrio, quatro procedimentos de
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
fase de criao do sistema fuzzy.
Esta relao de tempo diminui para o caso da estratgia de apenas deteco. Isto
ocorre, devido aos menores tempos de criao e teste.
5.3.2. Influncia da Disperso f1 no desempenho do sistema fuzzy
Um outro fator que influencia o perfil da funo de pertinncia, o ndice de disperso
f1, que indica a abertura da funo de pertinncia (apresentado no item 2.2.1 e no Apndice
C).
Para a anlise da influncia desta caracterstica foi escolhido arbitrariamente um
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
desempenho de acerto para deteco e deteco/classificao do sistema de inferncia fuzzy
em cada caso.
87
Tabela 5.7 Caractersticas dos sistemas de inferncia fuzzy utilizadas para a anlise
da influncia da Disperso f1
Variao do Sistema Fuzzy
Mdia/Amostra Todas
Rotao 400
Amostra Variado
Caractersticas PSD_64
Tipo do Perfil da Funo de Pertinncia Beta
Amostra/Tipo Variado
Os resultados obtidos nesta anlise de influncia so apresentados na Figura 5.13.
Percebe-se que tanto para Deteco quanto para Classificao existe um mximo global de
desempenho. Especificamente para o exemplo da Figura 5.13, a mxima desempenho foi
obtida no sistema fuzzy que utiliza os valores apresentados na Tabela 5.8.
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).
Mximo Desempenho Disperso (f1)
Deteco 89,4 % 1,1
Classificao 61,6 % 1,1 a 5,0
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.
Para o desempenho da classificao percebe-se que existe um mximo valor de
desempenho alcanado (61,6% de acertos a partir de f1 = 1,1), onde um aumento de f1 no
gera melhora de desempenho.
Em outros sistemas testados, foram observados comportamentos semelhantes ao
apresentado na Figura 5.13.
5.3.3. Valores Caractersticos
Da anlise dos resultados obtidos, nota-se que a principal propriedade que influencia a
desempenho do sistema fuzzy a escolha das caractersticas de entrada.
Atravs de anlise global dos resultados, observou-se, na maioria dos casos, a seguinte
ordem de melhor desempenho em relao ao grupo de caractersticas:
1o. PSD_128;
2o. PSD_64;
3o. ENVPSD_128;
4o. ENVPSD_64;
5o. Var/Todos.
89
Um exemplo deste desempenho ordenado pode ser observado comparando em
conjunto os ndice de Acertos de Normais e Acertos de Defeitos para um sistema fuzzy para
diagnstico de Deteco utilizando perfil da funo de pertinncia Beta, mdia e desvio
padro obtidos de um misto de seqncias do banco de dados (Amostra- Variado e
Mdia/Amostra-Todas), considerando todas as rotaes (Rotao- ##), que so,
respectivamente:
PSD_128 97.62% (Acertos de Normais) e 76.49% (Acertos de Defeitos).

PSD_64 97.62% (Acertos de Normais) e 70.63% (Acertos de Defeitos).
ENVPSD_128 99.21% (Acertos de Normais) e 59.82% (Acertos de Defeitos).
ENVPSD_64 99.21% (Acertos de Normais) e 57.54% (Acertos de Defeitos).
Var/Todos 47.62% (Acertos de Normais) e 79.27% (Acertos de Defeitos).
Apesar dos desempenhos apresentados acima, no se pode generalizar esta ordem de
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
diagnstico de Deteco/Classificao (utilizando perfil da funo de pertinncia Triangular,
mdia e desvio padro obtidos de um misto de seqncias do banco de dados (Amostra-
Variado e Mdia/Amostra-Todas), considerando todas as rotaes (Rotao- ##), onde o
aumento da resoluo de 64 (PSD_64) para 128 (PSD_128)). Neste caso, observou-se uma
pequena queda de desempenho (respectivamente de 59.35% para 57.94% do ndice de Acertos
de Tipo e de 3.09% para 14.64% do ndice de Inexistncia).
O comportamento do desempenho utilizando os diversos grupos de caractersticas
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.
Deve-se enfatizar que conforme se aumenta a quantidade de caractersticas de entrada
do sistema fuzzy, mais lento a resposta dele, uma vez que a quantidade de funes de
pertinncia a serem verificadas ir aumentar consideravelmente. Este fato pode ser
exemplificado em um sistema fuzzy para diagnstico de Deteco/Classificao utilizando
perfil da funo de pertinncia Beta, mdia e desvio padro obtidos de um misto de
seqncias do banco de dados (Amostra- Variado e Mdia/Amostra-Todas), considerando
todas as rotaes (Rotao- ##), onde os grupos de caractersticas necessitaram dos seguintes
Tempo de Teste/Amostra:
PSD_128 e ENVPSD_128 (128 caractersticas de entrada) 45 seg.

PSD_64 e ENVPSD_64 (64 caractersticas de entrada) 15.5 seg.
Var/Todos (16 caractersticas de entrada) 2.76 seg.
5.3.4. Outras anlises
Os resultados obtidos permitem vrios outros tipos de anlise de desempenho e
sensibilidade. Resumem-se a seguir quatro delas.
5.3.4.1. Variao do Banco de Dados de Criao
No caso da utilizao do grupo de caractersticas estatsticas (Var/Todos) com
estratgia de deteco e classificao (Deteco/Classificao), no se verificou nenhuma
mudana significativa devido variao do conjunto de criao.
Porm, no caso dos outros grupos de caractersticas obtidos pelos espectros de
freqncias (PSD_64, ENVPSD_64, PSD_128 e ENVPSD_128), a influncia da utilizao
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
controladas (por exemplo, rotao, o procedimento de montagem da bancada de teste, entre
outros).
Para a estratgia de deteco (Deteco), percebe-se que a utilizao do grupo de
caractersticas estatsticas (Var/Todos) implica em um melhor desempenho conforme se
aumenta o banco de dados de criao. Porm, ao se misturar as seqncias de banco de dados
(Amostra- Variado), a desempenho cai a praticamente zero, de modo que o sistema sempre
indicar defeito. Este comportamento no observado para as caractersticas obtidas pelos
espectros de freqncia (PSD_64, ENVPSD_64, PSD_128 e ENVPSD_128), cujo
desempenho aumenta ao se misturar as seqncias do banco de dados (Amostra- Variado),
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.
Pelos resultados obtidos, percebe-se que os grupos de caractersticas utilizados
produzem um sistema de inferncia pouco robusto, sendo o desempenho deste ltimo
amplamente influenciado por condies no controladas (por exemplo, rotao, o
procedimento de montagem da bancada de teste, entre outros).
5.3.4.2. Clculo das Mdias e Desvios Padres das Funes de Pertinncia
A influncia da frmula de clculo das mdias e desvios padres que so utilizadas
para criao das funes de pertinncia, analisada apenas para sistemas que utilizam as
caractersticas estatsticas (Var/Todos). Neste caso, observou-se que a utilizao da mdia da
caracterstica de cada sinal (Mdia/Amostra- Cada) em vez da mdia da caracterstica de todo

92
um grupo (Mdia/Amostra- Todas) proporciona um melhor desempenho do sistema fuzzy,
sendo de aproximadamente 10% maior para Acertos Defeitos S/N e 15% maior para Acertos
de Tipo.
Este melhor desempenho do (Mdia/Amostra- Cada) ocorre pois ao se fazer a mdia
de um grupo inteiro de caractersticas (Mdia/Amostra- Todas) se desconsidera uma parcela
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
abrangente, tornando o sistema mais robusto, conforme mostrado na Figura 5.14.
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
(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.
O aumento tempo ao se utilizar (Mdia/Amostra- Cada) uma outra considerao a
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.
5.3.4.3. Deteco x Deteco/Classificao
Utilizando-se ambas as estratgias propostas, percebeu-se que o principal problema
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,
obtm-se baixos ndices de acertos.
Um sistema fuzzy que sempre indica defeito, mesmo para os casos normais,
totalmente ineficaz, pois no reduz o trabalho de anlise do operador. J, um que sempre
indica normal, mesmo para mancais com defeitos, no transmite confiabilidade ao usurio.
No caso da estratgia com deteco e classificao (Deteco/Classificao), observa-
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
desempenho de Acertos de Normais superior a 80%.
Com a estratgia utilizando apenas a estratgia de deteco (Deteco), pode-se
alcanar um maior ndice de acertos em relao Deteco/Classificao, tanto de mancais
normais (Acertos de Normais) quanto com defeitos (Acertos de Defeitos). Este melhor
desempenho, se deve menor complexidade do sistema fuzzy para a estratgia de Deteco,
de modo que a tarefa de diagnstico no possui grande influncia condies no controladas.
Alm disso, a tarefa simplifica-se em apenas identificar qual a condio normal. Um outro
aspecto muito importante o Tempo de Criao e o Tempo de Teste/Amostra que muito

94
menor, pois o sistema fuzzy armazena apenas um nono de quantidade de funes de
pertinncia.
Apesar de todas estas vantagens, esta estratgia de Deteco no permite classificar os
defeitos, apenas diagnosticar se h um defeito ou no. Um modo de obter um bom
desempenho de deteco e tambm de classificao colocar dois sistemas em srie, sendo
que o primeiro apenas separa o caso normal de um defeituoso, e o segundo classifica o tipo de
defeito. Esta proposta no foi implementada neste trabalho.
Uma outra desvantagem da estratgia de Deteco o fato de se acrescentar uma outra
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,
utilizou-se a mdia e o desvio padro de um banco de dados com Amostra- Variado, e
composto apenas da condio Normal, em todas as condies experimentais. Utilizou-se
como nvel de alarme, o valor mdio mais duas vezes o desvio padro, calculados a partir de
um banco de dados composto de misto de seqncias de banco de dados (Amostras-Variado),
e composto apenas da condio Normal, em todas as condies experimentais. Portanto, se o
nvel de RMS de uma amostra maior que este nvel, a amostra considerada com defeito,
caso contrrio, considerada normal.
Os sistemas fuzzy a serem comparados, so aqueles obtidos com o perfil Beta e
caractersticas PSD_128 (PSD_128), mdia e desvio padro obtidos de um misto de
seqncias do banco de dados (Amostra- Variado e Mdia/Amostra-Todas), considerando
todas as rotaes (Rotao- ##).
Os melhores resultados obtidos com os sistemas de inferncia fuzzy obtidos com a
metodologia apresentada neste captulo so os seguintes:
Deteco 97.62% (Acertos de Normais) e 76.49% (Acertos de Defeitos).

95
Deteco/Classificao 31.75% (Acertos de Normais), 89.59% (Acertos de

Defeitos (S/N)) e 68.08% (Acertos de Tipo).
Para comparao, o melhor resultado obtido com o alarme estatstico obtido no
Captulo 4 foi:
Alarme Estatstico 100% (Acertos de Normais) e 38.69% (Acertos de Defeitos).
Comparando o desempenho do alarme estatstico e dos sistemas de inferncia fuzzy,
fica clara a vantagem de se utilizar o sistema de inferncia fuzzy, na deteco de defeito com
o diagnstico de Deteco, onde se obtm um melhor desempenho que o alarme estatstico, e
na classificao de defeito com a estratgia Deteco/Classificao, que uma funo que o
alarme estatstico no possui.
5.3.4.4. Influncia do Valor Limiar em um Sistema para Deteco
O sistema de inferncia fuzzy para a estratgia Deteco composto apenas por
funes de pertinncia de entrada relacionada a rolamentos normais, sendo que, quando
nenhuma funo de pertinncia ativada pelos valores de entrada do teste (ou a pertinncia
obtida inferior ao valor limiar ), a entrada considerada como sendo pertencente a um
rolamento com defeito.
Foram realizados diversos testes utilizando diversas combinaes de variaes
apresentadas no item 5.2.2 para verificar a influncia de um parmetro do sistema fuzzy que
possui grande influncia na desempenho, o valor limiar .
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
analisado normal (ou sem defeito) ou no.

96
Convm observar que a complexidade deste tipo de sistema de inferncia fuzzy
muito inferior aos sistemas de inferncia fuzzy utilizados para classificar os tipos de defeitos.
Um exemplo do comportamento da desempenho de acertos de deteco em funo o
valor limiar apresentado na Figura 5.15. Neste grfico, foram utilizadas as seguintes
definies:
Nmero de Acertos de Normais

Normal = [%] Equao 5.3
Nmero Total de Testes de Normais
Nmero de Acertos de Defeitos

Defeito = [%] Equao 5.4
Nmero Total de Testes de Defeitos
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
Figura 5.15 Exemplo da influncia do valor limiar sobre a desempenho de deteco

de diferentes banco de dados (de NORMAIS, de DEFEITO e GLOBAL) para a
estratgia de Deteco.
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
de ter defeito ou no), inviabilizando o sistema fuzzy e tornando-o muito prximo a um
comportamento de sistema de inferncia baseada em lgica clssica.
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
similar para todos os sistemas fuzzy testados.
Um resumo dos resultados obtidos com todas as combinaes de variaes
apresentados no item 5.2.2 apresentada na Figura 5.16, sendo que a mxima desempenho
obtida foi de 97,3 % de acertos de deteco.

98
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
para um valor limiar = 1,0.

97,3
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)
Figura 5.16 Desempenho de deteco para o SISTEMA FUZZY NORMAL

influenciada pelo o valor limiar .
Resumindo os resultados, percebeu-se que os melhores desempenhos foram obtidos
utilizando um valor limiar entre 0.1 e 0.2.

99
5.3.5. Melhor Desempenho
Com diversas combinaes de sistemas de inferncia fuzzy apresentadas no item 5.2.2,
obteve-se uma variedade de resultados representados na Figura 5.17. Estes resultados so
utilizados para comparar com os outros sistemas de diagnstico criados neste trabalho.
Percebe-se que, apesar de ser alcanado um desempenho de acerto superior a 94%
tanto para deteco quanto para deteco/classificao, a desempenho mdia de todos os
sistemas de inferncia fuzzy testadas baixa, com alguns sistemas tendo desempenho de
0.0%.
100,0 95,2 94,7
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
Figura 5.17 Desempenho dos sistemas fuzzy testados

100
5.4. DISCUSSES DOS RESULTADOS
Os resultados obtidos mostram que, referente funo de pertinncia, existe uma
maior influncia da abertura da funo de pertinncia do que propriamente dito o perfil
escolhido.
Os resultados tambm mostraram que a principal propriedade que influencia a
desempenho do sistema fuzzy a escolha das caractersticas que descrevem as assinaturas dos
sinais de vibrao. importante definir primordialmente quais caractersticas realmente
descrevem o fenmeno a ser identificado. No caso dos mancais de rolamentos, os melhores
resultados foram obtidos para os espectros de freqncia do sinal de maior resoluo, que
realmente na prtica possui um comportamento mais confivel, em relao a parmetros
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.
Observa-se que muito importante uma variao de descries do padro a ser
diagnosticado para que se obtenha um sistema com bom nvel de generalizao e
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.
Percebeu-se que o fato de se preocupar em apenas encontrar um mancal em condio
normal, ignorando os outros padres que compe o banco de dados de defeitos, permite um
aumento de desempenho de acertos e queda no tempo de criao e de teste. Portanto,
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,
foram estudados o valor limiar e disperso f1.
Com relao metodologia de criao de sistema de inferncia fuzzy proposta neste
trabalho, foram obtidos resultados consideravelmente bons (melhor desempenho de acerto de
97% para deteco). Esta metodologia proporcionou um ganho no tempo para criao do
sistema de inferncia fuzzy.
Todos os testes foram realizados utilizando um nico banco de dados (composto de
sinais de vibrao de defeitos de rolamentos), porm, o conceito utilizado neste trabalho pode
ser aplicado a qualquer outro tipo de banco de dados.

102
6. FUZZY C-MEANS
O algoritmo FCM permite que se obtenha as funes de pertinncia automaticamente,
porm, ele no fornece automaticamente a regra de inferncia que relaciona estas funes de
pertinncia a uma resposta esperada.
Neste captulo proposto um procedimento utilizado aps o algoritmo do FCM que
permite utilizar o conhecimento da relao entre os dados de treinamento e os seus
respectivos alvos para encontrar as regras de inferncia automaticamente.
6.1. OBTENO DAS REGRAS DE INFERNCIA AUTOMATICAMENTE
O objetivo do FCM basicamente obter um determinado nmero de clusters a partir
de um conjunto de dados. Normalmente, na criao dos clusters, utiliza-se um cluster para
cada grupo que se queira identificar.
Porm, existem casos onde se deseja encontrar relacionar diversos conjuntos
diferentes entre si (considerando um determinado conjunto de caractersticas descritivas), em
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
relacionar diversas funes de pertinncias obtidas atravs do algoritmo FCM com um
determinado grupo, criando uma regra de inferncia mais complexa do que a utilizada
normalmente no FCM.
O procedimento inicia definindo o nmero de clusters c. Considerando que o banco de
dados de treinamento possui g conjuntos ou grupos definidos (por exemplo, rolamentos

103
normais, rolamentos furados, rolamentos corrodos,...), claro a necessidade de definir um
nmero de cluster c maior que g. Neste trabalho foi escolhido utilizar um valor de c
proporcional a g. Portanto, a escolha deste parmetro depende somente do conhecimento do
usurio.
Apenas para fins ilustrativos, considere um exemplo de banco de dados hipottico.
Este exemplo muito mais simples que um banco de dados real, mas permite uma melhor
compreenso dos passos utilizados na metodologia.
Neste exemplo, separou-se um conjunto de 80 dados divididos em dois grupos ou
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
(G1 ou G2) atravs dos valores das Caractersticas (1 e 2).
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
Figura 6.1 Mapeamento dos dados de exemplo para treinamento
O parmetro m, expoente fuzzy, normalmente escolhido empiricamente, neste
exemplo foi definido arbitrariamente um valor de 2.0. Uma vez que como o exemplo muito
simples, este parmetro no possui grande influncia.
Utilizando o algoritmo FCM com um nmero de cluster igual a dois, foram obtidos as
funes de pertinncia da Figura 6.2.

105
(a)
(b)
Figura 6.2 Funes de Pertinncia para o banco de dados de exemplo utilizando c = 2,

(a) Grupo 1 e (b) Grupo 2.
Ambas as funes de pertinncias dos clusters obtidos englobaram dados dos dois
grupos a serem identificar, resultando em um erro de identificao.
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
combinao de grupo e condio experimental (G1-C1, G1-C2, G2-C1 e G2-C2) definido
na Figura 6.1.
Na Figura 6.5 so apresentados os graus de pertinncia de todas as 80 amostras que
compe o banco de dados para cada um dos clusters. Nesta figura, utilizou-se a seguinte
106
ordem, as primeiras 40 amostras pertencem ao grupo 1, enquanto as outras pertencem ao
grupo 2.
(a)
(b)
Figura 6.3 - Funes de Pertinncia para o banco de dados de exemplo utilizando c =

4, (a) Cluster 1 e (b) Cluster 2.
107
(c)
(d)
Figura 6.4 - Funes de Pertinncia para o banco de dados de exemplo utilizando c =

4, (c) Cluster 3 e (d) Cluster 4.
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
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
Figura 6.6 Graus de pertinncia ideais para o banco de dados de exemplo.
Definindo g como sendo o nmero de grupos descritos no banco de dados, N como o
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
graus de pertinncias ideais as seguintes equaes:
1 , x j Gk
(ideal )k , j = j = 1,..., N e k = 1,..., g Equao 6.1
0 , x j Gk
Deve-se relembrar que os graus de pertinncia da Figura 6.5 so representados pela
matriz U de graus de pertinncia i,j, sendo j o ndice do cluster.
Para se determinar a qual grupo Gk um determinado cluster Ci pertence, prope-se a
seguinte comparao:
N
indice mx i , j k , j i = 1,..., c Equao 6.2
k =1,..., g j =1
110
O ndice k obtido na equao acima representar o grupo ao qual o cluster Ci pertence.
Esta operao serve para verificar a representatividade do cluster no grupo em estudo.
Uma vez que os graus de pertinncias sofrem a restrio da Equao 2.9, definiu-se
como sendo o grau de pertinncia k,j de um objeto xj a um grupo Gk:
N
k , j = i , j i / indice mx i , j k , j = k Equao 6.3
i k =1,..., g j =1
Portanto, as restries apresentadas nas Equao 2.9 e Equao 2.10 so mantidas, j
que se somaram os graus de pertinncia dos clusters relacionados a um determinado grupo.
Esta operao pode ser vista na Figura 6.7 (em comparao Figura 6.5), onde o grupo 1
representado pelos clusters 1 e 2, enquanto o grupo 2 pelos cluster 3 e 4, resultando na soma
de seus respectivos graus de pertinncia.
Como se define funo de pertinncia como sendo a representao dos graus de
pertinncia de um componente do universo de discurso em relao a um conjunto, as funes
de pertinncias relacionadas a cada grupo pode ser obtida de modo anlogo aos graus de
pertinncias. As funes de pertinncias finais para o exemplo proposto so mostradas na
Figura 6.8.
exemplo relacionadas a um determinado grupo.
111
(a)
(b)
Figura 6.8 Funes de Pertinncia para o banco de dados de exemplo utilizando c = 4,

e posterior processo de adaptao, (a) Grupo 1 e (b) Grupo 2.
Uma grande vantagem do FCM ser um algoritmo no-supervisionado, ou seja, ele
um algoritmo que no necessita que os padres do banco de dados de criao estejam
relacionados a um padro alvo. Porm, na maioria dos problemas de reconhecimento de
padro existe este tipo de informao, e ele deve ser utilizado. Um modo de se ver o
procedimento proposto neste trabalho, que ao mescl-lo ao algoritmo do FCM, obtm-se um

112
algoritmo supervisionado, ou seja, que considera a relao entre padro de treinamento e
seus respectivos alvos.
Outra modificao proposta aqui , uma vez que j existe um prvio conhecimento dos
grupos do banco de dados, os centros bi iniciais, necessrios no algoritmo, so inicializados
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
permite aumentar a velocidade de convergncia do algoritmo se comparada com a escolha
aleatria destes centros iniciais.
6.2. DISCUSSES DA TEORIA
O algoritmo FCM uma metodologia para obteno do sistema de inferncia fuzzy
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,
diferente da apresentada acima.
Atravs da equao apresentada acima, percebe-se tambm que o grau de pertinncia
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
entrada do sistema fuzzy so estas distncias, e no as caractersticas de entrada definidas
previamente. Isto implica em uma redefinio da complexidade do sistema fuzzy, de modo
que, diferente dos sistemas de inferncia fuzzy obtidos da metodologia apresentada no
Captulo 5, onde a complexidade era funo do nmero de caractersticas de entrada, no FCM,
a complexidade uma funo direta do nmero de clusters ou funes de pertinncias
descritas no sistema fuzzy.
Outra discusso interessante a interpretao do procedimento de adaptao (ou
mtodo proposto para obter a regra de inferncia). Considerando que cada cluster obtido pelo
algoritmo do FCM representa uma funo de pertinncia (p. e. A, B, C,... ), o processo de se
somar graus de inferncias apresentado na Figura 6.7 e na Figura 6.8 equivalente ao
operador OU definido como Bounded Sum e apresentada no item 2.2.4.
Portanto, utilizando esta definio de operador, uma descrio da regra de inferncia
obtida pelo processo apresentado acima, para o FCM :
SE {[X] [N(k,1)] OU [X] [N(k,2)] OU ... OU [X] [N(k,p(k))]} ENTO [Y(k)] [Gk]
SENO ...
SE {[X] [N(k+1,1)] OU [X] [N(k+1,2)] OU ... OU [X] [N(i+1,p(k+1))]} ENTO
[Y(k+1)] [Gk+1] SENO ...
...
Figura 6.9 Regra de inferncia padro utilizado pelo algoritmo FCM

114
onde Gk cada grupo ou condio a ser identificado, X o vetor de valores
caracterstico de entrada, N(k,i) as funes de pertinncia dos clusters relacionados a um
grupo Gk, e Y(k) a sada, e:
k= 1...g (nmero de grupos ou condies a serem identificadas);
i= 1...p(k) (nmero de clusters relacionados a um grupo ou condio a ser
identificada)
Assim, so definidas g (nmero de grupos ou condies a serem identificadas) regras
de inferncias.
6.3. TESTES
O algoritmo FCM apresentado neste captulo para criao de sistema de inferncia
fuzzy necessita de poucos parmetros para ser utilizado. Estes parmetros podem ser
basicamente divididos nas categorias apresentadas neste item. Nos testes realizados foram
estudadas as influncias destes parmetros sobre o desempenho de acertos destes sistemas
fuzzy.
6.3.1. Complexidade do Banco de Dados de Criao
Este um dos principais parmetros de influncia em qualquer sistema inteligente.
Nos testes realizados foi definida uma menor quantidades de estratgias de diagnstico (ou
complexidades do banco de dados) em relao ao utilizado para os sistemas de inferncia
fuzzy, uma vez que o algoritmo iterativo podendo no alcanar um mnimo global. Foram
115
utilizadas as seguintes variaes de complexidade do banco de dados apresentadas na Tabela
6.1.
Tabela 6.1 Tabela com o resumo das variaes de complexidades utilizadas nos testes
deste algoritmo de criao de sistemas fuzzy.
Diviso do Banco de Dados
Rotao ## (com todas as rotaes)
400 (apenas com 400 rpm)
Carga ## (com todas as cargas)
3 (apenas com 600 N)
Defeitos Todos os defeitos
Apenas o furo (pista interna e externa)
Em todas as anlises realizadas, foram feitos testes considerando todas as rotaes e
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
de dados utilizando todas as cargas e todos os defeitos.
Uma outra particularidade com relao a este banco de dados so os parmetros de
anlise de vibrao utilizados para a criao do sistema fuzzy. Foram utilizados 5 grupos de
parmetros descritos na Tabela 6.2.

116
Tabela 6.2 Resumo dos grupos de parmetros de anlise de vibrao utilizados para
testar o algoritmo de FCM.
1o OUTROS RMS, Kurtosis, ER do sinal;
com 65 pontos e freqncia mxima de 1250 Hz
3o ENVPSD_64(1 a 21) Idem ENVPSD_64 (foram utilizados apenas 21
pontos do espectro, do 1o ao 21o ponto).
Todos estes grupos de parmetros foram utilizados em cada anlise realizada.
6.3.2. Expoente Fuzzy (m)
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
6.3.3. Nmero de Centros (ou clusters)
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).
6.3.4. Critrio de Parada
O critrio de parada utilizado durante o treinamento (ou seja, a mxima variao dos
graus de pertinncia de uma iterao outra), em todos os testes, possui um valor de CP =
0,01. Este valor foi determinado por tentativa e erro.
6.4. RESULTADOS
6.4.1. Influncia do Expoente Fuzzy (m)
Aps diversos testes, com diversos tipos de banco de dados de entradas (utilizando as
variaes de rotao, carga, defeitos a serem diferenciados e parmetros de anlise de
vibrao apresentados na Tabela 6.1 e na Tabela 6.2), foram observados diversos
comportamentos diferentes de desempenhos em funo do expoente fuzzy (m) (considerando
m entre 1,1 e 4,0).
Pela anlise destes comportamentos, percebeu-se que no existe um comportamento
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
Expoente fuzzy (m)
Figura 6.10 Desempenho de acerto de classificao dos sistemas FCM influenciados

pelos diversos expoentes fuzzy.
100,0%
90,7% 88,9% 90,0%
90,0% 84,4% 83,4% 83,1%
[%] [%]
80,0% 74,4% 76,3%

Diagnstico
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
Expoente fuzzy (m)
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
Expoente fuzzy (m)
Figura 6.12 Influncia do expoente fuzzy sobre o nmero de iteraes no treinamento.
A maior influncia do expoente fuzzy observada sobre o nmero de iteraes de
treinamento (relacionado diretamente ao tempo de treinamento) que uma funo crescente
com o expoente fuzzy (m).
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.
6.4.2. Influncia do Nmero de Centros (ou clusters)
Para esta anlise, aps diversos testes, com diversos tipos de banco de dados de
entradas (utilizando as variaes de rotao, carga, defeitos a serem diferenciados e
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
centros (c) (27, 54 e 81 centros).

120
100,0%
90,0%
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
No. de Centros (c)

pelo nmero de centros (ou clusters).
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
No. de Centros (c)
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
No. de Centros (c)
Figura 6.15 Influncia do nmero de centros sobre o nmero de iteraes no

treinamento.
Do mesmo modo que o expoente fuzzy (m), no foi observado, atravs dos testes, uma
grande influncia do nmero de centros sobre o desempenho de acertos na deteco e
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
modificou os outros fatores, conforme pode ser visto na Figura 6.14.
Outro item interessante a ser observado com relao ao nmero de iteraes, pois foi
observada uma maior necessidade de iteraes para um nmero de centros intermedirio (c =
54).
122
6.4.3. Complexidade do Banco de Dados
Para a anlise da influncia da complexidade do banco de dados de criao sobre a
desempenho do sistema fuzzy, foram realizados diversos testes com diversas combinaes das
variaes apresentadas no item 6.3.
Nas figuras abaixo apresentado um resumo dos resultados obtidos, considerando
apenas os defeitos de furo e a condio normal, considerao de todos s cargas juntas ou
individualmente, e a variao do nmero de centros (c).

100,0%
100,0%
96,7%
96,7%
86,7%
85,6%
100,0%
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
(Carga) (No. de centros)

pelo nmero de centros (ou clusters) e pela complexidade do banco de dados,
considerando uma nica carga ou todas (diferenciando apenas a condio normal do
defeito furo e variando todas as outras condies de rotao e parmetros de anlise de
vibrao apresentados na Tabela 6.1 e na Tabela 6.2).
123
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
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
Figura 6.18 Influncia do nmero de centros (ou clusters) e da complexidade do banco

de dados, considerando uma nica carga ou todas sobre o nmero de iteraes no
treinamento (nas condies apresentadas na Figura 6.16).
124
Atravs destes grficos observa-se uma grande influncia da variao de
complexidade do banco de dados considerada. Em alguns casos, alcanou-se desempenho de
acertos de 100%, tanto para a deteco quanto para a classificao, que no observado
quando so consideradas todas as condies de cargas em conjunto.
Para enfatizar esta idia, foram realizados outros testes onde se variaram os grupos de
defeitos a serem detectados/classificados com as mesmas combinaes de variaes utilizadas
anteriormente. O resumo dos resultados obtidos apresentado na Figura 6.19, Figura 6.20 e
Figura 6.21.
100,0%
90,0% 85,6%
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

pela complexidade do banco de dados, considerando os defeitos que compe o banco de
dados.
125
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%
Defeitos analisados
Figura 6.20 Desempenho de acerto de deteco dos sistemas FCM influenciados pela
dados.
180
160 154
140
No. de Iteraes (#)
120
97 Mnimo
100
Mdia
80
Mximo
60 51
40
25 25
20 10
0
Defeitos analisados
Figura 6.21 Nmero de iteraes no treinamento dos sistemas FCM influenciado pela
dados.
126
Pelos resultados apresentados acima, fica mais claro a influncia da complexidade do
banco de dados sobre o comportamento do sistema fuzzy. A queda da complexidade do banco
de dados (ou seja, ao se passar de 09 grupos de defeitos para 03 (NORMAL, FURO PISTA
INTERNA E FURO PISTA EXTERNA)) resultou no aumento do desempenho de acertos de
deteco e classificao alm de necessitar de menor iterao para o treinamento.
6.4.4. Parmetros de Anlise de Vibrao
Uma outra varivel de grande influncia no desempenho do sistema de diagnstico so
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
os fatores c e m constantes (respectivamente, c = 27 e m = 2,0), podendo em alguns casos
observar desempenhos inferiores aos observados anteriormente. Nesta anlise, foram
consideradas as rotaes individuais e todas as cargas. O resumo dos resultados obtidos so
apresentados na Figura 6.22, Figura 6.23 e Figura 6.24.

127
100,0%
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
Figura 6.22 - Desempenho de acerto de classificao dos sistemas FCM influenciados

pelos parmetros de entrada utilizados (considerando todos os defeitos).
88,9%
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 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
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
de entrada utilizados sobre a desempenho do sistema FCM. O melhor desempenho de
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
ainda mais a influncia da complexidade do banco de dados sobre o desempenho do sistema
FCM, uma vez que o banco de dados mais simples (composto da menor quantidade de
parmetros) obteve melhor desempenho.
No caso da desempenho de deteco (apresentada na Figura 6.23) observa-se o
mesmo comportamento, principalmente quando comparado o valor mdio obtido pelo sistema
FCM criado com os parmetros do grupo OUTROS.
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
6.4.5. Melhor Desempenho
Os melhore desempenhos de acertos de deteco e classificao so, respectivamente,
90,7 e 51,1% (desconsiderando os resultados com uma menor complexidade: considerao de
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.
Variao do Sistema Fuzzy obtido

Deteco Classificao
atravs do FCM
Grupo OUTROS OUTROS
Rotao 1000 1200
Carga Todas Todas
Defeitos Todos Todos
No. de Centros 27 27
Critrio de Parada (CP) 0,01 0,01
Expoente Fuzzy (m) 1,2 1,2
Desempenho de Acertos 90,7 % 51,1 %
6.5. DISCUSSES DOS RESULTADOS
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
algoritmo FCM o grupo de parmetros de anlise de vibrao utilizados como entrada do
sistema fuzzy. A escolha deste grupo de parmetros est ligada diretamente com a
complexidade do banco de dados a ser treinado. Esta influncia abrange no s o nmero de

130
iteraes (que diretamente relacionado ao tempo de treinamento), mas tambm s
desempenhos de acertos de deteco e classificao.
Alm disso, como o comportamento deste algoritmo iterativo e apresenta muitos
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
parada para observar a influncia deste sobre o sistema fuzzy.
Do mesmo modo que no algoritmo de criao automtica do sistema de inferncia
fuzzy, no foi possvel determinar um conjunto de fatores otimizados (por exemplo, expoente
fuzzy m timo ou nmero de clusters c timo) ou algoritmos para alcan-los. A obteno
destes valores timos seria possvel apenas aps uma exaustiva varredura de todos os
parmetros em cada caso especfico.

131
7. CONCLUSO
Neste trabalho foram apresentadas trs metodologias para automatizar a deteco (e
em alguns casos, a classificao) de defeitos em rolamento atravs de sinais de vibraes, o
alarme estatstico, o sistema de inferncia fuzzy e o Fuzzy C-Means.
Foi apresentado um resumo da metodologia utilizada em cada mtodo, e tambm
foram propostas algumas modificaes para aumentar a eficincia da utilizao destes
mtodos. Esta eficincia baseada na automatizao para criao dos critrios de deteco e
classificao (alarmes e sistemas fuzzy) de defeitos em rolamentos.
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
sua flexibilidade de utilizao. Atravs deste programa e de um banco de dados de defeitos
em rolamentos criaram-se diversos sistemas de inferncia fuzzy para diagnstico destes
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.
Em relao ao mtodo do Fuzzy C-Means (FCM), foi apresentado o algoritmo FCM
para obter automaticamente as funes de pertinncias. Em complemento a este, foi proposto
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.
Em complemento a isto, foram realizados diversos testes e anlises para avaliar a
influncia de diversos parmetros sobre o desempenho destas duas metodologias fuzzy.

132
Atravs destas anlises, verificou-se que o parmetro de maior relevncia para o
desempenho do sistema de diagnstico (qualquer que seja) o tipo de parmetro caracterstico
obtido dos sinais experimentais que so usados como entrada para o diagnstico.
No existe em qualquer das metodologias apresentadas neste trabalho, um grupo
otimizado de parmetros para ser utilizado genericamente. Um mtodo para se obter um
sistema fuzzy com parmetros otimizados a varredura de todas as variaes possveis
considerando caso a caso.
O mximo desempenho obtido, para cada metodologia, apresentado na Tabela 7.1.
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
mesmo banco de dados deste trabalho.
Tabela 7.1 Resumo das mximas desempenho obtidas com cada metodologia
Metodologia Deteco Classificao
Redes Neurais (MLP ou PNN) 41 100 % 100 %
Alarme Estatstico 76,0 % -
Sistema de Inferncia Fuzzy 97,3 % 94,7 %
Fuzzy C-Means 90,7 % 51,1 %
Nestes testes, o melhor resultado para deteco e classificao foi obtido atravs da
metodologia para automatizar o sistema de inferncia fuzzy. Apesar do desempenho deste
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
ao sistema de diagnstico fuzzy aps este ser criado.
A principal vantagem da metodologia do sistema fuzzy apresentada neste trabalho a
automatizao de sua criao, permitindo uma maior eficincia em seu desenvolvimento.

133
Com relao ao alarme estatstico, sua utilizao bastante limitada, principalmente
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.
O Fuzzy C-Means um algoritmo iterativo e, portanto, existe uma grande relao
entre o esforo computacional e desempenho de diagnstico com a complexidade do banco de
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.
Percebeu-se em todas as metodologias que o fato de se preocupar em apenas encontrar
um mancal normal, ignorando os outros padres que compe o banco de dados de defeitos,
permite um aumento de desempenho de acertos e queda no tempo de criao e de teste.
Portanto, proposto para trabalhos futuros um outro layout de sistema de diagnstico, que
separam as etapas de deteco e classificao em dois diagnsticos distintos.
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
informaes heursticas a serem agregadas.

134
8. BIBLIOGRAFIA
1. ALMEIDA, R.G.; VICENTE, S. A. S; PADOVESE, L. R.. New Technique for Evaluation of Global
Vibration Levels in Rolling Bearings. Anais do COBEM 2001, 2001.
2. ASSOCIAO BRASILEIRA DE NORMAS TCNICAS. Vibrao mecnica de mquinas com
velocidades de operao de (600 a 12000) rpm bases para especificao e padres de avaliao.
NBR 10.082, ABNT, 1987.
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
Part 2. Sound and Vibration, p. 27-31, Setembro de 1995.
5. BERRY, J. B.. How to track rolling bearing health with vibration signature analysis. Sound and
Vibration, p. 24-35, Novembro 1991.
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
Clustering and Classification: An Application to Machinery Industry. International Journal
Management Science, v. 20, n. 3, p. 309-319, 1996.
8. CHEN, M.-S.; WANG, S.-W.. Fuzzy clustering analysis for optimizing fuzzy membership functions.
Fuzzy Sets and Systems, v. 103, p. 239-254, 1999.
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
Journal of Solids and Structures, v. 38, p. 4293-4313, 2001.
12. FAG. Catlogo, 1985.
13. FLANAGAN, M.. Innovative tools for automatic vibration analysis and diagnosis 1a. part. Machine,
Plant & Systems Monitor. p. 17-20, February 1998.
14. FLANAGAN, M.. Innovative tools for automatic vibration analysis and diagnosis 2a. part. Machine,
Plant & Systems Monitor. p. 15-18, October 1998.
15. FLORES-SINTAS, A.; CADENAS, J. M.; MARTIN, F.. Membership functions in the fuzzy C-means
algorithm. Fuzzy Sets and Systems, v. 101, p. 49-58, 1999.
16. FUJIMOTO, R. Y.. Sistema fuzzy para diagnstico de defeitos em mancais de rolamentos. 2002, 85
p., Trabalho de Formatura, EP-USP.
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
Rolling Bearing Condition. Applied Acoustics, v. 53, p. 211-226, 1998.
20. INTERNATIONAL STANDARDS ORGANIZATION. Mechanical vibration of machines with
operating speeds from 10 to 200 rev/s - Basis for specifying evaluation standards: ISO 2372-1994:
General guidelines, ISO, 1995.
21. INTERNATIONAL STANDARDS ORGANIZATION. Mechanical vibration- evaluation of machine
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
Applications. IEEE Press, 1996.
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
Fault Diagnosis. IEEE Transactions on Industrial Electronics, v. 47, n. 5, p. 1060-1069, Outubro
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
Machinery and Equipment. LMMSS Specification No. V 1.0, 1997.
33. LOPES, T. A. P.; TROYMAN, A. C. R.. Manuteno Preditiva por Vibraes: o Sistema AD4.
ALCOOLbrs, p. 44-46, Maro/Abril 2001.
34. MATHWORKS, THE. Fuzzy Logic Toolbox: For Use With MATLAB, Users Guide. Version 2.,
MathWorks Inc., Janeiro de 1995, 227 p.
35. MECHEFSKE, C. K.. Objective Machinery Fault Diagnosis Using Fuzzy Logic. Mechanical Systems
and Signal Processing, v. 12 n. 6, p. 855-862, 1998.
36. MENON, A. K.; BOUTAGHOU, Z.-E.. Time-Frequency Analysis of Tribological Systems Part I:
Implementation and Interpretation. Tribology International, v. 31, n. 9, p. 501-510, 1998.

137
37. MISHKOFF, H. C.. Understanding Artificial Intelligence. Radio Shack, 1986.
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
bearings. Proceedings of IASTED International Conference, Applied Modeling and Simulation, p. 6-
11, 1999.
41. PADOVESE, L. R. Automatizao de Diagnstico de Falhas em Plantas Industriais, 2002, 142 p.,
Tese de Livre Docncia, EP-USP.
42. PHAM, D. L.. Spatial Models for Fuzzy Clustering. Computer Vision and Image Understanding, v.
84, p. 285-297, 2001.
43. PINTO, C.. Mastering electrical motor failures. Experts on Maintenance, Disponvel em:
http://www.maintenance-tv.com/world/mtv/articles/articles.htm. Acesso em: 24 Junho 2002.
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.
Acesso em: 01 Junho 2005.
50. TANDON, N.. A Comparison of Some Vibration Parameters for the Condition Monitoring of Rolling
Element Bearings. Measurements, v. 12, p. 285-289, 1994.
51. TANDON, N.; CHOUDHURY, A.. A Review of Vibration and Acoustics Measurement Methods for the
Detetion in Rolling Element Bearings. Tribology International, v. 32, p. 469-480, 1999.

138
52. TARIFA, Enrique E.; SCENNA, Nicols J.. Fault Diagnosis, Direct Graphs, and Fuzzy Logic.
Computers Chem. Engng., v. 21, p. S649-S654, 1997.
53. TSOUKALAS, L. H.; UHRIG, R. E.. Fuzzy and Neural Approaches in Engineering. John Wiley &
Sons Inc., 1997.
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
Engineering and Design. n. 193, p. 1-11, 1999.
55. VEREIN DEUTSCHER INGENIEURE. Standards of evaluation for mechanical vibrations of
machines: VDI 2056, VDI, 1997.
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
Dichotomy Technique. JSME International Journal, series C, v. 43, n. 2, p. 439-444, 2000.
59. ZENG, W. Z.. Discussion on Maintenance Strategy, Policy and Corresponding Maintenance Systems in
Manufacturing. Robotics Engineering and Systems Safety, n. 55, p. 151-162, 1997.
60. WEI, J.. Recommended Initial Alarm Criteria for Bearing Condition Assessment Using Enveloped
Acceleration Measurements. SKF Application Note, CM3068, 2003.
61. WIER, W.. How to Use the Statistical Alarms Wizard in Machine Analyst . SKF Application Note,
CM3089, 2004.
139
APNDICE
140
Apndice A ANLISE DE VIBRAO
Atualmente, a anlise de vibrao amplamente utilizada como parte integrante da
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
vibrao, podem-se citar: falhas em rolamentos e engrenagens, problemas de alinhamento e
balanceamento, fenmenos eltricos em motores, anormalidades em processo de produo,
entre outros.
A importncia da anlise de vibrao descrita por Liu31:
o monitoramento pode ser feito durante a operao normal da mquina;
economicamente vivel. Sensores de vibrao e equipamentos de aquisio de
dados tem tido seu preo bastante reduzido nos ltimos anos;
pode fornecer informao continuamente (on-line);
pode ser utilizada para monitorar uma variedade de tipos de mquinas e
equipamentos;
sensores de vibrao (acelermetros) tm resposta confivel e precisa;
particularmente para rolamentos, suas resposta dinmica bem conhecida.
A anlise de vibrao baseada na resposta dinmica (o sinal de vibrao) do
equipamento (que um sistema dinmico) e esta resposta composta pelas caractersticas
dinmicas do sistema. Este comportamento denominado assinatura mecnica da mquina.
Para a realizao da anlise, pode-se utilizar tanto o estudo de valores e tendncias de
alguns parmetros, quanto o comportamento do sinal tanto no domnio temporal quanto
frequencial.
141
Existem diversas fontes na literaturas onde se discute a eficincia de diversos

1,19,31, 46,50.
parmetros no diagnstico de defeito em mancais de rolamentos Cada um destes
parmetros fornece informaes mais precisas em uma situao particular, tanto com relao
s condies operacionais, quanto ao mtodo de coleta de dados.
1. Anlise por Parmetros
Os parmetros de vibrao so utilizados para uma pr-anlise das condies do
equipamento alertando ou alarmando para a necessidade de uma anlise mais detalhada tanto
do espectro de vibrao quanto dos prprios parmetros, com o objetivo de obter um
diagnstico mais detalhado da causa da anormalidade do equipamento.
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).
Tabela A.1 Parmetros para anlise de vibrao
Parmetros Equao / Observaes

RMS ou Valor T
1
Vef ( x(t )) = RMS ( x(t )) = l im (x(t ))
2
Eficaz dt
T T
0
(p/ sinal contnuo)

N
1
Vef ( x(t )) = RMS ( x(t )) = x
2
i
N i =1
(p/ sinal discreto composto por N pontos)

9 fornece um valor relacionado com o nvel de energia ou potncia de
um dado sinal.
9 parmetro mais usado para alarme de vibrao com propsito de
deteco/diagnstico de falhas, sendo utilizado por normas e na
indstria para especificar nveis de alarme de vibrao 2,20.
142
Tabela A.2 - Parmetros para anlise de vibrao (continuao)
Parmetros Equao / Observaes

Skewness 19 3
1
N _

Sk ( x(t )) =
N 3
xi x
i =1
9 parmetro adimensional que funo do momento estatstico de
terceira ordem do sinal, sendo normalizado pelo desvio padro .
9 representa a assimetria da funo de distribuio de probabilidade do
sinal. Portanto, para um sinal com distribuio gaussiana tem-se um
valor nulo.
19
Kurtosis 4
1 N
_

Kurt ( x(t )) =
N 4
xi x
i =1
9 parmetro adimensional que funo do momento estatstico de
quarta ordem do sinal, sendo normalizado pelo desvio padro .
9 representa o grau de achatamento da funo de distribuio de
probabilidade do sinal. No caso de um sinal com distribuio
gaussiana obtm-se um valor 3.
Valor de Pico M
Xmx( x(t )) = mdia max( x M (t )) ou
i =1
Xmx( x(t )) = mdia( xi > 0.9 max( x[t ]))
9 o valor de pico mximo de um dado sinal no tempo 31.
9 uma vez que este parmetro altamente sensvel ao rudo,
normalmente se escolhe uma mdia de valores de picos mximos de
M sinais ou dos valores de picos que ultrapassam 90% do valor de
pico global.
ER 1,41 1
N espectro
ER( x[t ], x normal [t ]) = X [ fi ] X normal [ fi ]

N espectro fi =1
(onde Nespectro o nmero de pontos do espectro de freqncia)

9 a energia residual de um dado sinal. Ela obtida pela diferena
entre o espectro de freqncia do sinal (X[fi]) e o espectro de um
sinal considerado como sendo normal (Xnormal[fi])
143
Alm destes, existem outros que so representados por combinao entre dois
parmetros, tais como os apresentados na Tabela A.3.
Tabela A.3 Parmetros para anlise de vibrao (outros)
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 ))
2. Anlise Espectral para Mancais de Rolamentos
A anlise espectral de um sinal pode fornecer informaes mais detalhadas sobre o
estado do equipamento que a anlise de parmetros.
Um mtodo bastante utilizado para realizar a anlise espectral o DEP (Densidade

18
Espectral de Potncia) . Ela definida como sendo a Transformada de Fourier (TF) da
funo de autocorrelao do sinal.
A anlise do espectro de freqncia baseada normalmente em freqncias de defeitos

5,18,41
que podem ser calculadas previamente, e no estudo da relao entre a evoluo do
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:
1. Neste estgio nenhum defeito aparente visualmente, porm aparecem picos de
energia em alta freqncia (>5 kHz).
2. Aparece um pequeno defeito na pista, e as freqncias naturais comeam a serem
excitadas.
3. A partir deste estgio comea a aparecer algumas freqncias de passagem de
defeito ou modulaes de amplitude das freqncias naturais.

144
4. As amplitudes das freqncias de rotao e seus harmnicos crescem, e no se
pode mais determinar o tempo restante de vida til do rolamento.
No caso da ocorrncia de defeitos localizados em mancais de rolamentos, possvel,
atravs de modelamentos que desconsideram escorregamentos dos elementos rolantes,
determinar as freqncias das vibraes (radiais e axiais) geradas por estes defeitos, e,
portanto, a assinatura mecnica das falhas.
Este modelo obtido atravs da anlise cinemtica do rolamento, considerando a
geometria e as caractersticas cinemticas dos componentes do rolamento. As freqncias de
defeito so obtidas pelas equaes apresentadas na Tabela A.4.
Tabela A.4 Freqncia de defeitos em rolamento
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 na pista

DE = Z . G
externa
Freqncia de defeito na pista

DI = Z .( S G )
interna
Freqncia de defeito no
DB = 2. B
elemento
Onde S a rotao do eixo, d o dimetro do elemento rolante, D o dimetro da
trajetria do elemento rolante, c o ngulo de contato, e Z o nmero de elemento rolante.

145
Portanto, alm da prpria anlise do espectro, existem diversos parmetros baseados
na amplitude da freqncia que podem ser utilizados tambm para o diagnstico de defeitos.
Alguns deles so apresentados na Tabela A.5.
Tabela A.5 Parmetros para anlise de vibrao (baseado no espectro)
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)
9 definido como sendo a relao da amplitude das n harmnicas da

freqncia caracterstica de defeito e a energia total do espectro de
freqncia (composto por Nespectro pontos) 41.
Estes parmetros so apresentados apenas com intuito informativo, no sendo
utilizados para os testes feitos neste trabalho.
3. Envelope
O envelope 41 de um sinal a sua envoltria, ou seja, um outro sinal no tempo que o
envolve. A partir dele, obtm-se as possveis modulaes de amplitude presentes no sinal. A
informao mais utilizada desta ferramenta o seu espectro, que informa a freqncia de
modulao de amplitude do sinal.

146
Conforme visto no item 2, as freqncias excitadas por um defeito de rolamentos em
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
o mtodo do envelope extraia a informao de falha do rolamento em um estgio inicial.
Este sinal utilizado nos testes apresentados neste trabalho, em conjunto com alguns
dos parmetros apresentados no item 1 do Apndice A.
4. Outros
Outros mtodos utilizados que trabalham com parmetros vetoriais (como o DEP),
38 11
so: transformada wavelet , modelos paramtricos auto-regressivos , distribuio tempo-
freqncia 34, cepstrum 41, alm da anlise do envelope 26.
Tambm se utilizam parmetros escalares baseados nestes tratamentos vetoriais, tais
como os coeficientes da transformada wavelet 38 e amplitude de freqncias caractersticas.

147
Apndice B CARACTERSTICA DO PROGRAMA SISTEMA_FUZZY
Para implementar a metodologia apresentada no item 5.1, foi criado o programa
Sistema_Fuzzy para automatizar a criao de um sistema de inferncia fuzzy genrico. Este
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
pertencem a este programa.
Este programa foi desenvolvido para obter uma maior flexibilidade do sistema fuzzy
de modo a permitir automatizar todos os processos de criao e execuo do sistema fuzzy.
A principal caracterstica deste programa que ele permite utilizar funes de
pertinncia obtidas tanto atravs de conhecimento heurstico (denominado no programa como
Conhecimento Heurstico) quanto atravs da metodologia apresentada acima (denominada no
programa como Conhecimento Analtico). Esta diferena mostrada na Figura B.1.
Do mesmo modo, neste programa pode-se utilizar tambm a regra de inferncia
definida na metodologia apresentada acima e tambm por regras de inferncia obtidas por
conhecimento heurstico do especialista.

148
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)
Figura B.1 Exemplo de Conjunto de Funo de Pertinncia para uma determinada

caracterstica. esquerda (a) est a parte relacionada ao conhecimento analtico e
direita (b) a parte utilizada para aplicao dos conhecimentos heursticos.
Como neste trabalho preocupou-se mais com a implantao da metodologia, s foi
utilizada a parte do programa relacionada com os Conhecimentos Analticos (obtidos pela
metodologia descrita no item 5.1).
A seguir so descritas algumas caractersticas deste programa.
5. Funes de Pertinncia
Cada valor caracterstico de entrada relacionado com um perfil de funo de
pertinncia. As opes de perfis, que podem ser escolhidas pelo usurio, so as apresentadas
no item 2.2.1, ou seja:
Trapezoidal
Triangular
Gaussiana
Pi
Beta
149
Na fase de criao do sistema fuzzy, os parmetros que descrevem a funo de
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,
automaticamente, utilizando uma funo escrita em MatLab especfica a um grupo de
variveis caractersticas.
6. Operadores Lgicos
Os operadores lgicos que podem ser utilizados neste programa, so os mesmos
apresentados no item 2.2.2, ou seja, para os operadores AND e OR:
Zadeh
Mean
Mean2

Mean
Produto
Bounded Sum
Yager
Zysno
Dubois.
E para o operador NOT:
Zadeh
Yager
Sugeno
Threshold
Cosine
150
7. Operador THEN
As funes que podem ser utilizadas para este operador, so as mesmas descritas no
item 2.2.8, ou seja:
Mnimo
Produto
8. Operador de Agregao
Mximo
Soma
9. Operador de Desfuzzificao
Centride
Bisetor
MOM (mdia do mximo)
SOM (menor dos mximos)
LOM (maior dos mximos)
10. Discretizao (Ndiscret)
Uma caracterstica especfica do programa Sistema_Fuzzy, a discretizao das
funes de pertinncia que o nmero de pontos que as funes de pertinncia devem ser
discretizadas.. A discretizao necessria para a execuo das operaes de agregao e de
desfuzzificao. A escolha desta caracterstica deve balancear o fato que um nmero de

151
pontos muito grande torna o sistema muito lento, porm, ele permite definir mais pontos que
compe o universo de discurso.
11. Universo de Discurso
Neste programa, o universo de discurso obtido automaticamente atravs dos valores
mximos e mnimos para cada conjunto de funes de pertinncia de uma caracterstica.
12. Regras de Inferncia
Alm da regra padro definida na Figura 5.5, referente aos Conhecimentos Analticos,
o usurio tambm pode definir as regras de inferncias baseadas em Conhecimentos
Heursticos. Estas regras so escritas com a seguinte estrutura:
Se (IF) [Caracterstica] [Varivel Lingstica] E/OU (AND/OR) [Caracterstica] NO
(NOT) [Varivel Lingstica] E/OU (AND/OR)... ...[Caracterstica] [Varivel
Lingstica] ENTO (THEN) [Sada] [Varivel Lingstica]
Figura B.2 Estrutura de uma Regra de Inferncia
Estas ltimas regras so obtidas a partir de conhecimentos adquiridos de especialistas,
atravs, normalmente, de entrevistas.
Cada regra de inferncia possui um peso de relevncia de 0 a 1 em relao s outras
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
outros so descritos em seqncia. Ao lado de cada regra so colocados os seus respectivos
pesos de relevncia.
152
Figura B.3 Exemplo da visualizao das regras de inferncia
13. Teste com o programa Sistema_Fuzzy
Nesta parte do programa, o usurio poder testar se um dado vetor descrito por
alguma das condies a serem identificadas, representadas no sistema de inferncia fuzzy
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).
No exemplo da Figura B.4, o valor desfuzzificado um valor de 0 a 10 que representa
o grau de proximidade de algum dos defeitos de rolamentos descritos no sistema fuzzy.
Alm deste valor de sada, as amplitudes resultantes das regras de cada possvel sada
tambm so fornecidas. Deste modo, o usurio conhecer no apenas o valor desfuzzificado,
mas tambm todas as funes de pertinncia de sada ativadas.

153
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
(exemplo, um sinal de vibrao), permitindo ao sistema calcular as variveis caractersticas e
simplificando o trabalho do usurio, necessitando apenas definir as funes que descrevem as
caractersticas.
14. Etapas de Criao de um Sistema Fuzzy
Para criar um sistema de inferncia fuzzy com o programa Sistema_Fuzzy, o usurio
deve inicialmente definir as caractersticas ou valores caractersticos de entrada do sistema
fuzzy. Em seguida o usurio deve escolher um tipo de perfil de funo de pertinncia
relacionada a cada uma destas caractersticas e inform-lo ao programa. Nestas funes de
pertinncia incluem-se tanto s relacionadas aos Conhecimentos Analticos quanto aos
Conhecimentos Heursticos.
Analogamente, o usurio deve definir as funes de pertinncia relacionadas sada
do sistema fuzzy, definindo tambm as suas respectivas denominaes. Estas funes
possuem as mesmas caractersticas das funes de pertinncia de entrada (ou seja, das
154
caractersticas), sendo permitido apenas criar funes de pertinncia de um nico perfil
previamente escolhido.
Posteriormente, as regras de inferncia obtidas por Conhecimentos Heursticos devem
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
fuzzy. Estes parmetros so apresentados na Figura B.5.
Figura B.5 Propriedades de um sistema de inferncia fuzzy

155
Apndice C EQUAES QUE DESCREVEM AS FUNES DE PERTINNCIA
1 Trapezoidal
Apresentada na Figura C. 1, ela definida pela seguinte equao:
(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
Figura C. 1 Parmetros da funo trapezoidal
2 Triangular

156
(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 abertura do tringulo (f1). As relaes entre estes fatores so:
a = m f1 .
b=m Equao C. 4
c = m + f1 .
1
u[x]
0
a b c
Figura C. 2 Parmetros da funo triangular
3 Gaussiana
Apresentada naFigura C. 3, ela definida pela seguinte equao:
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+
Figura C. 3 Parmetros da funo gaussiana
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
Sendo S a funo sigmodal definida por:
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
b, a disperso () multiplicada por um fator de proporo de disperso que indica a abertura
da curva pi (f1). Sendo, neste caso, o da Equao 6, definido pelo fornecido pelo usurio
multiplicado por f1.

158
u[x]
0.5
0
m - m - /2 m m+ /2 m+
Figura C. 4 Parmetros da funo pi
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+
Figura C. 5 Parmetros da funo beta

Dissertação USP 2005 Diagnóstico Automático de Defeitos em Rolamentos Baseado em Lógica Fuzzy - Rodrigo Yoshiaki Fujimoto

Enviado por

Dados do documento

Título original

Direitos autorais

Formatos disponíveis

Compartilhar este documento

Compartilhar ou incorporar documento

Opções de compartilhamento

Você considera este documento útil?

Este conteúdo é inapropriado?

Direitos autorais:

Formatos disponíveis

Dissertação USP 2005 Diagnóstico Automático de Defeitos em Rolamentos Baseado em Lógica Fuzzy - Rodrigo Yoshiaki Fujimoto

Enviado por

Direitos autorais:

Formatos disponíveis

UNIVERSIDADE DE SO PAULO ESCOLA POLITCNICA

DEPARTAMENTO DE ENGENHARIA MECNICA

RODRIGO YOSHIAKI FUJIMOTO

Diagnstico Automtico de Defeitos em Rolamentos

Diagnstico Automtico de Defeitos em Rolamentos

Dissertao apresentada Escola Politcnica da

rea de Concentrao: Engenharia Mecnica

Fujimoto, Rodrigo Yoshiaki

Dissertao (Mestrado) - Escola Politcnica da Universidade

1.Rolamentos (Defeito; Diagnstico) 2.Fuzzy I.Universidade

Folha Linha Onde se l Leia-se

ABSTRACT 5 describes presents

10 10 eles utilizam utilizam-se

11 1 no transparente nem sempre transparente

11 14 descrio matemtica descrio algbrica

11 14 descries empricas descries heursticas

12 11 sistemas inferncia fuzzy sistemas de inferncia fuzzy

12 12 modelo matemtico modelo algbrico

16 5 atravs de grficos atravs da anlise visual dos grficos

18 12 uma melhor desempenho um melhor desempenho

22 9 Nesta definio Nesta teoria

22 10 um certo valor um valor

31 4 fornecidos por pessoas fornecidas por especialistas

37 17 estreito ... fuzzy estreito ... fuzzy

44 8 foi utilizada utiliza-se

44 10 foi tomada toma-se

58 Fig. 4.5 (n) ()

64 5 Sendo que, neste caso Neste caso

64 5 Equao 5.3 Equao 5.2

65 6 na Figura 5.2 nas equaes 5.1 e 5.2

67 7 comparando todos comparando-se todas

A Escola Politcnica da USP, pela oportunidade de realizao do curso de mestrado e por

colocar a disposio rea experimental e o laboratrio.

alcanar os resultados obtidos.

FUJIMOTO, R. Y. Diagnstico Automtico de Defeitos em Rolamentos Baseado em

FUJIMOTO, R. Y. Automatic Diagnoses of Rolling Bearing Failures Based in Fuzzy

Figura 1.1 Razes de falhas de rolamentos 43. ___________________________________ 5

Figura 1.2 Estrutura de um sistema especialista _________________________________ 6

Figura 2.1 Comparao entre lgica clssica e lgica fuzzy 34._____________________ 22

Figura 2.2 Padro de regra de inferncia _____________________________________ 28

Figura 2.3 Diagrama do processo de inferncia fuzzy34 ___________________________ 30

Figura 2.4 Estrutura de um Sistema Fuzzy _____________________________________ 32

Figura 2.5 Exemplo de Similaridades _________________________________________ 35

com expoente fuzzy m igual a: (a) 1.1 e (b) 2.0 ____________________________ 38

Figura 3.3 Esquema da bancada de ensaios____________________________________ 44

Figura 3.4 Layout geral da bancada de ensaio de defeitos de rolamento _____________ 45

mancal de rolamento mostrando o posicionamento do acelermetro acima e a

aplicao da carga atravs do parafuso (abaixo do mancal)._________________ 45

Figura 3.6 Equipamento de filtro, amplificao e converso A/D. __________________ 46

Figura 3.7 Sistema de aquisio de dados _____________________________________ 46

para regular a rotao do motor _______________________________________ 47

Figura 3.9 Esquema para obteno os espectros de freqncia_____________________ 50

do teste do alarme estatstico. _________________________________________ 55

considerando o banco de dados apenas de NORMAL, apenas de DEFEITO e

considerando ambos os banco de dados. _________________________________ 56

de Pico de Envelope considerando o banco de dados apenas de NORMAL, apenas de

DEFEITO e considerando ambos os banco de dados._______________________ 57

Figura 4.4 Mximo desempenho de acertos para todos os parmetros de anlise de

vibrao utilizados. _________________________________________________ 57

vibrao utilizado obteve mximo desempenho apresentado na Figura 4.4)._____ 58

Figura 5.1 Mapeamento do banco de dados hipottico de exemplo para demonstrar a

Figura 5.2 Parmetros da funo (a) gaussiana. ________________________________ 64

(utilizando caracterstica 1 (a) e 2 (b)). __________________________________ 65