Machine learning and multiresolution signal decomposition for embedded applications : a study of short-circuit failure detection

Abstract

Com os avanços nas áreas de sistemas embarcados e apendizado de máquinas, esses dois campos da computação tornaram-se presentes no cotidiano da maioria das pessoas, muitas vezes não sendo nem percebidos. Nos últimos anos, essas duas áreas puderam ser combinadas para o desenvolvimento de aplicações bem diversas que vão desde soluções médicas e de cuidados com a saúde, à agropecuária e industriais. Em grande parte dos casos, o estudo para o desenvolvimento de modelos de classificação ou regressão de aplicações que deverão ser executadas por sistemas embarcados acontece sem levar em considerações aspectos relacionados a aquisição e processamento de dados que são fundamentais para viabilidade dos projetos ou que tem um forte impacto em requisitos importantes como tempo de execução, consumo energético e custo. Com isso em vista, é descrita neste trabalho, uma metodologia para o desenvolvimento de aplicações embarcadas que combinam processamento de sinal e aprendizado de máquinas, voltado ao problema de detecção de falhas de curto-circuito estatórico em motores de indução trifásicos. Sinais de tensão induzidas devido ao fluxo axial no motor são captados em diferentes condições de operação e níveis de falha, para a composiçao do conjunto de dados utilizado para o treinamento e teste do modelo. Para isso, uma bancada de testes que contém um motor modificadoparapermitiraemulaçãodecurto-circuitoséutilizada.Sãoavaliadasautilização de estatística de alta ordem e medidas de dispersão para compor o conjunto de atributos, extraídos diretamente do sinal de fluxo no domínio do tempo, assim como a utilização da transformada wavelet discreta para realizar uma análise multiresolução, em que o sinal é decomposto em sub-bandas de frequência. Diferentes classificadores são avaliados, em que SVM, OPF, MLP e KNN se destacam. Análise de variância (ANOVA) é utilizada para seleção de atributos com o intuito de melhorar a detecção das falhas e diminuir o custo computacional da etapa de classificação. Foi alcançada acurácia para 7 classes (normal e 6 subtipos de falhas) de 99,23 % e para 2 classes (normal x falha) de 99,93 %. Adaptações nos conjuntos de dados são feitas para reduzir o custo computacional e otimizar a aplicação embarcada. O modelo escolhido foi embarcado em um microcontrolador com processador ARM e a análise da implementação embarcada é feita utilizando as métricas tempo de execução e utilização de memória RAM e FLASH