X SBAI – Simpósio Brasileiro de Automação Inteligente

18 a 21 de setembro de 2011
São João del-Rei - MG - Brasil

REDES NEURAIS ARTIFICIAS NA MONITORAÇÃO PROGNÓSTICA

DE ÍNDICES DE VIBRAÇÃO EM CONJUNTOS MOTO-REDUTORES

CELSO M. KAWAMURA, ALESSANDRO GOEDTEL, MARCOS B. R. VALLIM

Departamento de Engenharia Elétrica, Universidade Tecnológica Federal do Paraná (UTFPR-CP)

Av. Alberto Carazzai, 1640, , Cornélio Procópio,PR, CEP 86300-000
E-mails: cmk@sercomtel.com.br, agoedtel@utfpr.edu.br, mvallim@utfpr.edu.br

Abstract  During the production process of traction machines for passenger elevators, the vibration measurement is one of the
main requirements to assure the quality and comfort in the final product. In this work, an alternative method is presented for the
traction machine’s evaluation, performed during the quality control, in a manufacturing line. By means of artificial neural net-
works based on Kohonen’s maps, this evaluation provides the possibility to determine, within the machines with excessive vi-
bration, those where the adjustment would not be possible, and should be machined again. Some experimental results are pre-
sented to validate the proposed method.

Keywords
 Artificial neural network, Kohonen maps, noise, vibration, traction machines.

Resumo  Durante o processo produtivo de máquinas de tração para elevadores de passageiros, a medição da vibração nas
mesmas é um dos principais quesitos na garantia da qualidade e conforto do produto final. Este trabalho apresenta um método
alternativo para a avaliação das máquinas de tração, realizado durante o controle de qualidade em uma linha de manufatura.
Com o uso de redes neurais artificiais baseadas nos mapas de Kohonen, a avaliação permite determinar, entre as máquinas que
apresentaram valores excessivos de vibração, os conjuntos onde o ajuste não seria possível, e que devem passar por um novo
processo de usinagem. Resultados experimentais são apresentados para validar o método proposto.

Palavras-chave
 Redes neurais artificiais, mapas de Kohonen, ruído, vibração, máquinas de tração.

tos com níveis de ruído e vibração adequados à ope-

1 Introdução
Um dos principais itens de conforto para os usuários
de elevadores de passageiros diz respeito ao ruído no
interior da cabine. Esse ruído pode ter as mais diver-
sas causas, sendo uma das mais comuns, a que tem
origem no conjunto moto-redutor da máquina de tra-
ção. Esse conjunto possui uma polia montada na sua
extremidade, onde o cabo de tração é enrolado, e
qualquer vibração no seu interior é transmitida, para
o interior do poço onde a cabine está instalada. Essa
vibração origina um ruído, que reverbera pelo poço,
o qual, devido à sua forma construtiva, acaba funcio-
nando como uma caixa de ressonância.
A vibração, além de causar o desconforto acústi-
co, pode também prejudicar o funcionamento dos
equipamentos e colocar em risco toda a estrutura do
prédio (Pereira, 2006), além disso, a exposição pro-
longada à vibração corporal total (whole body vibra-
tion-WBV) pode até mesmo resultar em doenças ocu-
pacionais (McCallig et al., 2010).
Com o intuito de se minimizar a incidência de
tais efeitos patológicos, diversas normas regulamen-
tadoras nacionais e internacionais foram criadas, li-
mitando os níveis de ruídos e vibrações em máquinas
e motores. Os procedimentos adotados para as medi-
ções também são descritos nas normas, dentre as
quais podem ser citadas: NBR NM 207 (1999) , NBR
10152 (2000), ISO 2372 (1974) e ISO 2954 (1975).
Com o objetivo de atender aos requisitos das
normas vigentes e manter as máquinas e equipamen-
ração, há uma preocupação crescente por parte das
empresas com relação ao controle na produção. Os
métodos convencionais de inspeção de grandezas em
máquinas elétricas, como ruído, vibração, potência,
torque, velocidade, etc., contam com equipamentos
de medição e a comparação com valores limites pré-
estabelecidos. Diversas pesquisas com a utilização de
sistemas inteligentes têm sido realizadas para a avali-
ação dessas grandezas, como em Goedtel et al.
(2007), que utiliza as Redes Neurais Artificiais
(RNA) para estimar a velocidade de rotação em mo-
tores de indução trifásicos, e Silva et al. (2007), que
utiliza lógica Fuzzy para identificação de torque de
carga em motores de indução conectados à rede.
Esforços para o desenvolvimento de métodos de
detecção de falhas com utilização de redes neurais
artificiais podem ser vistos nos trabalhos desenvolvi-
dos por Kankar et al. (2011) na diagnose de rolamen-
tos de esferas em máquinas rotativas, e em Li et al.
(2009) na detecção de falha em redutores em condi-
ções de sobrevelocidade.
A proposta deste trabalho é apresentar um méto-
do alternativo para avaliação de parâmetros de má-
quinas elétricas, utilizando os mapas de Kohonen.
Tal abordagem tem por objetivo o agrupamento dos
valores de medição de vibração e a classificação dos
conjuntos moto-redutores segundo suas possibilida-
des de ajuste. Além disso, a redução do custo opera-
cional relacionado à necessidade de nova usinagem
das engrenagens, uma vez detectada a impossibilida-
de ajuste, é uma das conseqüências do correto prog-
nóstico do conjunto de tração.

ISSN: 2175-8905 - Vol. X 1007

 X SBAI – Simpósio Brasileiro de Automação Inteligente
18 a 21 de setembro de 2011
São João del-Rei - MG - Brasil
O presente artigo está organizado como segue:
na Seção 2 são apresentados os métodos de medição
da vibração e seus conceitos. Na Seção 3 serão des-
critos os procedimentos de ensaio realizados para a
avaliação do método proposto. Na Seção 4 são apre-
sentados a estrutura básica de uma rede neural artifi-
cial, a topologia do mapa de Kohonen e os resultados
alcançados. Na Seção 5 serão apresentadas as con-
clusões obtidas com este trabalho.
2 Métodos de Medição da Vibração
Um corpo é dito em vibração quando descreve um
movimento oscilatório em torno de um eixo ou ponto
de referência, também chamado de ponto de equilí-
brio (Inman, 2001). Sua presença é inerente às má-
quinas rotativas, porém, quando em excesso, pode
causar desgaste acelerado em mancais, causar fissu-
ras, ou até mesmo danificar o isolamento elétrico dos
condutores (Rao, 2008).
Uma máquina de tração em condições ideais de
funcionamento deve, portanto, apresentar níveis bai-
xos de vibração. Para que o processo de fabricação
garanta que esses níveis não sejam ultrapassados du-
rante a operação normal da máquina, vários métodos
de monitoração prognóstica podem ser utilizados.
Entre os métodos mais básicos estão os métodos au-
ditivos e visuais. Técnicas modernas de monitoração
incluem análise no domínio do tempo e análise no
domínio da freqüência (Rao, 2008).
Ao se realizar a análise no domínio do tempo,
um índice que pode ser utilizado está relacionado
com a amplitude do sinal de vibração que, conforme
Rao (2008), pode ser avaliado segundo: o nível de
pico ou valor máximo de amplitude de onda; valor
médio quadrático (RMS - root mean square); ou en-
tão fator de crista.
Como o nível de pico, ou valor de crista, ocorre
somente uma vez, não pode ser considerado um valor
confiável para se detectar possíveis problemas. O
fator de crista é a razão entre o nível de pico e valor
RMS, porém existe a possibilidade de, em alguns
casos, não conseguir identificar as falhas. Por exem-
plo, o valor RMS de um sinal pode estar subindo
gradativamente, indicando uma vibração crescente,
ao passo que, o fator de crista pode apresentar queda.
Assim, na maioria dos casos o índice utilizado
para a avaliação de vibração em máquinas girantes é
o valor eficaz da velocidade de vibração (Rao, 2008).
As unidades utilizadas em vibração, de acordo
com o Sistema Internacional de Unidades (SI), e con-
forme a norma ISO 1000 (1992), são mostradas na
Tabela 1.
No caso de elevadores de passageiros, existem
basicamente duas normas brasileiras que regulamen-
tam os níveis de ruídos e vibrações: a NBR NM 207
(1999) e a NBR 10152 (2000).
ISSN: 2175-8905 - Vol. X
Tabela 1. Unidades de vibração conforme norma ISO 1000.
Unidades de vibração (ISO 1000)
Deslocamento m, mm, µm
Velocidade m/s, mm/s (ou m.s-1, mm.s-1)
Aceleração m/s2 (ou m.s-2) → 1g = 9,81 m/s2
Sendo a vibração um subproduto da força cíclica
transmitida aos componentes da máquina, a mesma
pode ser medida pelo seu lado externo, com o uso de
um transdutor. No processo onde o trabalho foi de-
senvolvido, o transdutor utilizado foi um acelerôme-
tro piezoelétrico, conectado a um equipamento de
medição que contém um pré-amplificador, que indica
o nível RMS da aceleração ou da velocidade de des-
locamento.
Os instrumentos de monitoração de vibração po-
dem medir os níveis globais de vibração em determi-
nadas faixas de freqüência, ou então fazer a análise
do espectro de freqüência dos sinais de vibração por
transformada rápida de Fourier (Rao, 2008).
No presente artigo o instrumento utilizado foi
um medidor de vibração de nível global, que mede os
valores eficazes de velocidade e aceleração do sinal
medido. Os resultados são então comparados com
normas e valores de referência estabelecidos para
cada tipo de máquina.
3 Procedimento de Ensaio
O procedimento de ensaio adotado estabelece três
pontos de medição no conjunto máquina-redutor, em
três sentidos: horizontal, vertical e axial totalizando
então nove parâmetros de avaliação. Esse procedi-
mento está descrito em normas internas da empresa
fabricante das máquinas, onde os ensaios foram reali-
zados. Após a medição dos pontos, os mesmos são
avaliados e comparados com valores de referência.
Foram medidos os níveis de vibrações do con-
junto máquina, nos dois sentidos: subida e descida,
utilizando o coletor portátil de dados SKF Microlog
CMVA7 no modo velocidade 10 Hz (mm/s – range I
- RMS - 1s) e modo de aceleração 3 Hz (g - range II
– RMS - 1s). As medições foram feitas segundo as
normas ISO 2372 (1974) e ISO 2954 (1975). O flu-
xograma do procedimento de medição é mostrado na
Figura 1.
Caso as medições obtidas não estejam de acordo
com o desejado, a máquina deve ser desmontada,
ajustada, remontada e novamente avaliada. Se, nessa
segunda avaliação os parâmetros ainda se encontrem
fora dos limites tolerados, a máquina deve ser envia-
da para o retrabalho, onde as engrenagens devem
passar por novo processo de usinagem.
O objetivo deste trabalho é apresentar um méto-
do para realizar a classificação dos parâmetros obti-
dos com a primeira medição, evitando que seja feito
um desmonte desnecessário das máquinas, onerando
o processo fabril.
1008
 X SBAI – Simpósio Brasileiro de Automação Inteligente
18 a 21 de setembro de 2011
São João del-Rei - MG - Brasil
Figura 1. Fluxograma de medição de ruído em conjunto moto-
redutor
No método proposto apresentado na Figura 2,
após a execução da primeira medição, os valores
obtidos são avaliados. Caso estejam acima dos valo-
res limites pré-estabelecidos, são submetidos à uma
RNA, cujo algoritmo, desenvolvido em um software
de análise numérica, classifica e agrupa os mesmos.
Tal classificação e agrupamento de dados são extre-
mamente complexos de serem obtidos através de
métodos convencionais, devido à quantidade elevada
de informações e o desconhecimento de possíveis
correlações e regularidades que possam existir.
Após a classificação dos dados, a RNA estima se
o ajuste da máquina em questão é possível ou não.
Caso não seja, a máquina é enviada diretamente para
um novo processo de usinagem, sem a necessidade de
uma segunda medição.
Sem a avaliação feita pela RNA, a máquina seria
desmontada, ajustada e remontada. Uma segunda
medição seria feita e somente então, se constataria
que o ajuste não seria possível e a máquina deveria
ser encaminhada pra o retrabalho. Todo esse proces-
so demanda tempo e mão de obra especializada, cau-
sando atraso na linha produtiva e aumento da taxa
horária. Como esses custos não podem ser repassados
para o preço final do produto, seriam então contabili-
zados como prejuízo.
Devido às características dos dados, que possu-
em relações desconhecidas, a RNA selecionada para
executar a classificação das amostras de medição, foi
um mapa auto-organizável de Kohonen (SOM - Self
Organized Map).
Conforme Silva et al. (2010), redes auto-
organizáveis têm a capacidade de detectar semelhan-
ças entre os conjuntos de entrada, agrupando-os em
células, permitindo a identificação de uma amostra
com base nas características de outros elementos que
façam parte do grupo.
ISSN: 2175-8905 - Vol. X
Figura 2. Fluxograma de medição de ruído em conjunto moto-
redutor, utilizando RNA
4 Redes Neurais Artificiais
Existem estudos com as mais diversas arquitetu-
ras de redes neurais artificiais, porém pode-se verifi-
car que os neurônios artificiais que compõem essas
redes são compostos basicamente de sete elementos
(Silva et al., 2010), como proposto por McCullock e
Pitts em 1943, representados na Figura 3.
Figura 3. Elementos básicos de um neurônio artificial
onde: xj é o j-ésimo sinal de entrada;
wij é o peso sináptico entre a j-ésima entrada
e o i-ésimo neurônio;
Σ é o somador dos sinais de entrada;
b limiar de ativação (bias) do somador;
v é o potencial de ativação;
ϕ é a função de ativação;
y é a saída do neurônio.
Assim, o neurônio artificial, ao receber sinais na
sua entrada, executa os seguintes passos:
i) multiplicação de cada valor recebido do meio ex-
terno pelo seu respectivo peso sináptico, obtendo
assim o valor ponderado de cada entrada, ii) através
da soma ponderada dos sinais de entrada, e subtrain-
do o limiar de ativação, um potencial de ativação do
neurônio é obtido, iii) o potencial de ativação é apli-
cado a uma função de ativação, e a saída do neurônio
é compilada.
1009
 X SBAI – Simpósio Brasileiro de Automação Inteligente
18 a 21 de setembro de 2011
São João del-Rei - MG - Brasil

O aspecto fundamental de uma RNA é o seu a-

prendizado, ou seja, o processo através do qual a
rede aprende e generaliza, apresentando uma solução
para determinado tipo de problema. Cada arquitetura
de rede possui um algoritmo específico de aprendiza-
do, diferindo principalmente no método através do
qual os pesos sinápticos são modificados a cada pas-
so de iteração do aprendizado.
No treinamento dito supervisionado, existe um
valor esperado de saída para cada entrada apresenta-
da à rede. Se houver alguma diferença, os pesos si-
nápticos deverão ser ajustados, de modo que as saí-
das desejadas para cada entrada sejam obtidas.
No aprendizado não-supervisionado, não existe
uma saída desejada, sendo o treinamento também
chamado auto-organizado (Haykin, 2001).
4.1 O mapa de Kohonen
O processo de aprendizado humano é essencial-
mente não supervisionado, ou seja, as respostas aos
estímulos sensoriais ocorrem sem informação prévia
do significado do conteúdo da informação recebida
(Braga et al., 2000). Similarmente, ao se realizar trei-
namentos não-supervisionados de redes neurais, o
ajuste dos pesos sinápticos deve ser feito baseado
unicamente nas informações disponíveis sobre os
dados de entrada. Um exemplo é a utilização de da-
dos com distribuição e probabilidades estatísticas
conhecidas, como é o caso das redes de Kohonen.
A inspiração biológica das redes de Kohonen, é
encontrada no córtex cerebral onde os neurônios a-
presentam alto grau de especialização. Os neurônios
dividem-se em grupos que são especialistas em exe-
cutar determinadas tarefas, assim como os neurônios
de certa região do mapa de contexto da rede SOM,
são especialistas para classificar determinado tipo de
amostra (Kohonen, 1997).
Diferentemente da aprendizagem dita hebbiana,
onde vários neurônios podem estar ativos simultane-
amente, no aprendizado competitivo somente um
neurônio está ativo em determinado instante. Esse
mecanismo que permite a ativação de um único neu-
rônio, a cada ciclo de aprendizado da rede, é chama-
do de “o vencedor leva tudo” (Haykin, 2001). Nessa
situação, somente os pesos do neurônio vencedor são
ajustados, intensificando assim, seu estado para o
próximo ciclo.
Isso ocorre nos mapas bidimensionais, que é a
topologia utilizada para a resolução do problema
proposto: a avaliação de amostras de valores de me-
Figura 4. Topologia do mapa SOM, com 16 neurônios
Considerando as numerações dos neurônios indi-
cadas na Figura 3, obteve-se então, um mapa topoló-
gico, com as interligações entre os vizinhos corres-
pondentes formando os chamados grupos Ω , Um
dos critérios para se estabelecer quais são os neurô-
nios vizinhos, consiste na escolha do raio de abran-
gência R. No trabalho proposto, foi estabelecido um
raio igual a uma unidade, e os grupos são apresenta-
dos na Tabela 2.
O método de sintonia da rede, no processo de
aprendizagem, que acaba reforçando determinado
conjunto de neurônios sobre a grade da topologia,
tem como resultado, a formação de clusters.
Tabela 2. Conjuntos Ω obtidos, raio de abrangência R=1.
Conjuntos Ω
Ω1 = {2;5} Ω 2 = {1;3;6} Ω 3 = {2;4;7}
Ω 4 = {3;8} Ω 5 = {1;6;9} Ω 6 = {2;5;7;10}
Ω 7 = {3;6;8;11} Ω 8 = {4;7;12} Ω 9 = {5;10;13}
Ω10 = {6;9;11;14} Ω11 = {7;10;12;15} Ω12 = {8;11;16}
Ω13 = {9;14} Ω14 = {10;13;15} Ω15 = {11;14;16}
Ω16 = {12;15}
A localização espacial dos neurônios sobre os
clusters formados indica as características e informa-
ções contidas nas amostras de entrada. Esse compor-
tamento traduz o termo auto-organizável de um mapa
de Kohonen.
4.2 Algoritmo de aprendizado de uma rede Kohonen
Para descrever o algoritmo de aprendizado de uma
rede Kohonen, consideremos uma rede neural consti-
tuído de uma única camada, com j neurônios e k a-
mostras de entrada, como mostra a Figura 5.
x1 y1
y2
x2
y3

dição de vibração, para a classificação de conjuntos

xi
moto-redutores. O arranjo do mapa dos neurônios yi
que formam a estrutura da rede pode ter as mais di-
versas formas geométricas (hexágono, quadrado, Figura 5. Estrutura de uma rede competitiva
circular, etc.). No presente estudo, os neurônios estão
Observa-se na Figura 5 que cada neurônio está
dispostos em linhas e colunas, com um formato qua-
conectado a todos os nós de entrada, podendo tam-
drangular composto por 16 neurônios, conforme
bém apresentar conexões laterais com seus neurônios
mostra a Figura 4.
vizinhos.

ISSN: 2175-8905 - Vol. X 1010

 X SBAI – Simpósio Brasileiro de Automação Inteligente
18 a 21 de setembro de 2011
São João del-Rei - MG - Brasil

Considerando wij o peso sináptico que conecta o

neurônio j ao sinal de entrada i , e normalizando os
mesmos, isto é, ∑ wij = 1, para todo j .
Uma das regras para se definir o neurônio ven-
cedor, é o método da proximidade entre o vetor de
Figura 5. Pontos de medição de vibração na máquina de tração.
pesos e o neurônio j . Essa proximidade é determi-
nada pela distância Euclidiana entre o vetor de pesos Após o treinamento foi obtido o mapa de contex-
de cada neurônio e o vetor de entrada com os ele- to, definindo as regiões representativas para cada
mentos da k − ésima amostra x k , conforme (1): classe do problema, conforme apresentado na Figura
6. Os clusters identificados pelos neurônios de núme-
( k ) = n xk − w j 2
dist j ∑ i
i =1
( i ) , j = 1,…, n (1) ros 4 e 14 indicam as amostras que podem ser ajusta-
das.
onde dist (jk ) é a distância entre o vetor de entrada
representando a k-ésima amostra x k em relação ao
vetor de pesos do j-ésimo neurônio w j . O vencedor
será o neurônio com a menor distância calculada pela
expressão (1).
A mudança ∆ aplicada ao vetor de pesos do Figura 6. Mapa de contexto obtido após a operação da RNA
neurônio vencedor, será definida por (2):
(
∆wij = η ∗ x k − wij ) (2) O cluster identificado pelo neurônio de número
15 indica as amostras cujo ajuste não é possível, e
se o neurônio j vence a competição, ou então devem então ser enviadas diretamente para um novo
∆wij = 0 se o neurônio j perde a competição, onde processo de usinagem, sem a realização de uma se-
η é a taxa de aprendizagem. gunda medição para identificar tal necessidade.
Foram submetidas 88 amostras à rede, e o algo-
Essa regra faz com que o vetor de pesos do neu-
ritmo desenvolvido classificou corretamente 89,8%
rônio vencedor, se aproxime na direção da entrada
das máquinas, indicando quais poderiam ser ajusta-
x k . Quando a topologia é do tipo bi-dimensional, das e quais deveriam ser enviadas diretamente para
tanto os pesos do neurônio vencedor, quanto dos neu- uma nova usinagem, pois o ajuste para se obter as
rônios vizinhos, são ajustados, em direção à entrada medições de vibrações dentro de uma faixa de valo-
x k . Somente a taxa utilizada é menor. Um valor ra- res aceitável, não seria possível.
zoável para essa taxa, seria igual à metade da taxa de Tabela 3. Valores medidos e classificação das amostras.
aprendizagem, conforme sugere Silva et al. (2010).
Vibração (mm/s) - Subida Vibração (mm/s) - Descida
Assim, a expressões (2) torna-se: Amostra 1H 1V 1A 1H 1V 1A Cluster
(
∆wij = η ∗ x k − wij ) (3) 1 0,67 1,46 0,45 0,86 0,66 1,51 14
2 0,61 1,29 0,72 0,87 0,48 1,23 14
se o neurônio j vence a competição, e: 3 0,39 1,42 0,83 0,88 0,42 1,11 14
(
∆wij = (η ÷ 2) ∗ x k − wij ) (4)
4
5
0,75
0,96
1,25
1,05
0,66
0,68
0,89
0,90
0,77
0,53
1,35
1,08
14
14
se o neurônio j perde a competição. 6 0,63 1,23 0,84 0,90 0,45 0,97 14
7 0,72 1,34 0,64 0,90 0,50 1,29 14
Após o aprendizado, as classes resultantes do al- 8 0,57 1,22 0,92 0,90 0,75 1,30 14
goritmo de treinamento são identificadas, e o mapa 9 0,78 1,42 0,52 0,91 0,65 1,36 14
topológico pode ser dividido nas regiões que identifi- 10 1,66 1,82 1,01 2,35 2,03 1,90 15
cam as determinadas classes (Silva et al., 2010). 11 0,56 1,34 0,85 0,92 0,74 1,12 14
12 1,08 0,86 0,83 0,92 0,55 1,61 4
13 0,69 0,90 1,22 0,94 0,83 1,08 14
14 0,72 1,41 0,68 0,94 0,76 1,46 14
4.3 Operação 15 1,00 1,26 0,56 0,94 0,85 1,67 14
Para o treinamento da rede foram utilizados os valo- 16 0,68 1,44 0,70 0,94 0,79 1,68 14
17 0,67 1,51 0,65 0,94 0,48 1,27 14
res de vibração obtidos em 30 máquinas de diversas 18 1,18 0,75 0,90 0,94 0,57 1,19 4
potências, com taxa de aprendizagem η = 0, 001 e o 19 1,21 1,25 0,78 1,08 0,40 0,89 11
critério do neurônio vencedor utilizado no algoritmo 20 1,40 1,50 0,79 1,23 1,35 0,94 3
foi a da distância Euclidiana. Em cada amostra, 6
pontos foram medidos, com o sensor posicionado no A Tabela 3 mostra os valores de vibração obti-
sentidos horizontal, vertical e axial, e a máquina ope- dos para algumas das amostras, e a respectiva classi-
rando em ambas as direções, conforme mostra a Fi- ficação (cluster).
gura 5. Apesar do método apresentar algumas falhas,
não conseguindo classificar algumas máquinas ade-

ISSN: 2175-8905 - Vol. X 1011

 X SBAI – Simpósio Brasileiro de Automação Inteligente
18 a 21 de setembro de 2011
São João del-Rei - MG - Brasil
quadamente (amostras 19 e 20), o algoritmo conse-
guiu identificar o conjunto que poderia ser enviado
diretamente para uma nova usinagem (amostra 10),
evitando assim uma etapa de desmontagem desneces-
sária. De um total de 88 amostras, o algoritmo classi-
ficou corretamente 79 máquinas, indicando a possibi-
lidade de ajuste (cluster 4 ou 14) ou então ajuste im-
possível de ser obtido (cluster 15).
5 Conclusão
Este artigo apresentou uma metodologia alternativa
baseada em redes neurais artificiais, para a avaliação
prognóstica dos valores de vibração eficazes obtidos
em nove pontos diferentes de medição, em motores
de tração utilizados em elevadores de passageiros.
Devido à grande similaridade entre os dados, a
classificação dos mesmos por métodos convencionais
não era possível no processo de manufatura onde o
trabalho foi desenvolvido. Os resultados obtidos de-
monstraram uma taxa de acerto na avaliação das má-
quinas quanto à possibilidade de ajuste ou da neces-
sidade de nova usinagem das peças, da ordem de
90%, sendo considerada satisfatória.
Os experimentos realizados mostraram que, os
valores medidos, os quais aparentemente não apre-
sentavam qualquer correlação, puderam ser agrupa-
dos em células, auxiliando na avaliação das máquinas
no seu processo produtivo, e comprovando a eficiên-
cia da rede SOM.
Assim, os mapas de Kohonen são uma alternati-
va viável como ferramenta auxiliar no controle de
qualidade na manufatura de motores de tração de
elevadores, ao serem utilizados na avaliação dos mais
diversos parâmetros.
Na empresa onde o trabalho foi desenvolvido, a-
través da utilização de sistemas inteligentes, proces-
sos que demandam considerável tempo como des-
monte, ajuste e remontagem de conjuntos moto-
redutores, podem ser evitados, aumentando a eficiên-
cia e reduzindo os custos da linha de manufatura.
Agradecimentos
Os autores agradecem à Elevadores Atlas Schin-
dler S.A. pela disponibilização dos dados utilizados,
permitindo o desenvolvimento deste trabalho e a
comprovação do método proposto.
Referências Bibliográficas
Braga, Antônio de Pádua; Carvalho, André Ponce de
Leon F.; Ludermir, Teresa Bernarda. (2000).
Redes Neurais Artificiais – teoria e aplicações.
LTC.
Goedtel, Alessandro; Silva, Ivan N.; Serni, Paulo J.
A.; Sousa, Claudia F. L. N. (2007). Estrutura
ISSN: 2175-8905 - Vol. X
neural para estimativa de velocidade em motores
de indução trifásicos baseada em dados
experimentais e simulados. VIII Simpósio
Brasileiro de Automação Inteligente, 2007.
Florianópolis.
Haykin, Simon. Redes Neurais – princípios e prática.
(2001). Bookman.
Inman, Daniel J.(2001). Engineering Vibration.
Prentice Hall.
ISO 1000. (1992). SI units and recommendations for
the use of their multiples and of certain other
units. International Organization for
Standardization.
ISO 2372. (1974). Mechanical vibration of machines
with operating speeds from 10 to 200 rev/s.
Basis for specifying evaluation standards.
International Organization for Standardization
ISO 2954. (1975). Mechanical vibration of rotating
and reciprocating machinery -- Requirements for
instruments for measuring vibration severity.
International Organization for Standardization
Kankar, P.K.; Sharma, Satish C. e Harsha, S.P.
(2011). Fault diagnosis of ball bearings using
machine learning methods. Expert Systems with
Applications. vol. 38, pp. 1876-1886.
Kohonen, Teuvo. (1997). Self-organizing maps. 2nd
ed. Springer-Verlag.
Li, Hui; Zhang, Yuping e Zheng, Haiqi. (2009). Gear
fault detection and diagnosis under speed-up
condition based on order cepstrum and radial
basis function neural network. Journal of
Mechanical Science and Technology. vol. 23.
pp. 2780-2789.
McCallig, Margaret; Paddan, Gurmail; Lente, Eric
V.; Moore, Ken; Coggins, Marie. (2010).
Evaluating worker vibration exposures using
self-reported and direct observation. Applied
Ergonomics. vol 42. pp. 37-45.
NBR NM 207. (1999). Elevadores elétricos de
passageiros - Requisitos de segurança para
construção e instalação. Associação Brasileira de
Normas Técnicas.
NBR 10152. (2000). Níveis de ruído para conforto
acústico. Associação Brasileira de Normas
Técnicas.
Pereira, Cristiano Caria Guimarães; Neves, Francisco
de Assis das. Conforto humano e limites de
percepção para vibrações verticais. (2006)
Revista Escola de Minas. vol.59, n.3, pp. 271-
278.
Rao, Singiresu S. (2008). Vibrações mecânicas.
Prentice Hall.
Silva, Ivan Nunes; Spatti, Danilo Hernane e Flauzino,
Rogério Andrade. (2010). Redes neurais
artificiais para engenharia e ciências aplicadas.
Artliber.
Silva, Sérgio F.; Silva, Ivan N.;Goedtel, Alessandro;
Minotti, Cristiano. (2007). Aplicação de sistemas
fuzzy em motores de indução para identificação
de torque de carga. Simpósio Brasileiro de
Automação Inteligente.
1012