Detecção de anomalias em rolamentos de eixo rápido utilizando transformadas wavelet para manutenção preditiva

Este estudo propõe uma metodologia para a detecção de falhas em rolamentos utilizando sinais de vibração coletados em um sistema mecânico real. Em virtude da natureza não rotulada dos dados, foi empregado um modelo baseado em autoencoders LSTM (Long Short Term Memory), combinado à transformada wavelet scattering, técnica que possibilita a extração de representações robustas dos sinais vibratórios. A implementação da metodologia foi realizada em Python, adaptando-se uma referência originalmente desenvolvida em MATLAB. Os sinais foram segmentados em janelas temporais de 1,04 segundo com sobreposição, normalizados e subsequentemente processados pelo modelo. Para fins de treinamento, utilizaram-se dados coletados após a reparação de um dano na pista interna do rolamento, enquanto os dados pré-reparo foram reservados para teste. A métrica adotada para a identificação de anomalias foi o erro de reconstrução (Mean Absolute Error – MAE), com um limiar de detecção estabelecido com base no terceiro quartil acrescido de 1,5 vezes o intervalo interquartil (Interquartile Range – IQR) dos erros de validação. Os resultados obtidos demonstraram a eficácia do modelo na identificação de anomalias, bem como na definição de um limiar adequado para sinalização de alarmes de falha. O método mostrou-se capaz de discriminar entre o estado de normalidade e o estado de falha do componente analisado, oferecendo assim uma solução acessível e eficiente para aplicações em manutenção preditiva.