Professional Documents
Culture Documents
PROGNOSTICO DE FALHAS
Abstract This paper addresses the problem of predicting faults and the tool wear condition of a computer
numerical control. To handle this problem, an approach based on a particle filter is used and compared with
traditional approaches for prediction. The contribution of the paper is to assess a particle filter robustness with
respect to noise and uncertainty in system and measurement models. The particle filter solution had superior
performance compared to traditional methods such as artificial neural networks and neuro-fuzzy systems when
the the validation dataset was used. The simulation results indicate the usefulness of the method and that it
may be easily converted into a real time application of fault prognosis.
Resumo Este artigo trata o problema de predicao de falhas e de desgaste em maquinas CNC. Uma aborda-
gem baseada em filtro de partculas e usada e comparada com abordagens classicas de predicao. A contribuicao
do trabalho e avaliar a robustez do filtro de partculas no que diz respeito ao rudo e a incerteza em modelos
de sistemas e de medicao em maquinas CNC. A solucao encontrada usando o filtro de partculas mostrou-se
superior aos metodos tradicionais, como as redes neurais artificiais e os sistemas neuro-fuzzy, no conjunto de
dados utilizado na etapa de validacao. Os resultados desse estudo indicam a utilidade do metodo e que este pode
ser facilmente convertido em uma aplicacao em tempo real para prognostico falha.
160
RNA ANFIS FP 140
Nvel de desgaste
c1 c4 c1 c4 c1 c4
120
RMSE 6.67 22.49 6.33 19.86 11.25 11.99
MAPE 4.30 18.20 3.99 18.07 7.49 12.79 100
80
Tabela 3: Resultados comparativos.
60
40
A Tabela 3 mostra que o filtro de partculas
20
obteve melhores resultados que os modelos RNA
e ANFIS para os criterios analisados no experi- 0
0 50 100 150 200 250 300 350
mento c4 . Vale ressaltar que a formulacao do mo- Nmero do corte
140
equipamento a partir dos dados disponveis de sen-
Nvel de desgaste
120
100
sores. Alem disso, a abordagem pode ser aplicada
80
em modo on-line e em tempo real apos o ajuste do
60
modelo, como pode ser visto no experimento c4 .
40
20 Agradecimentos
0
0 50 100 150 200 250 300 350
Nmero do corte
Os autores agradecem o suporte financeiro da FA-
PEMIG e CNPq (processo 157280/2014-4).
Figura 2: Validacao com Redes Neurais
Referencias
Oppenheimer, C. H. and Loparo, K. A. (2002). Yan, J., Koc, M. and Lee, J. (2004). A prognos-
Physically based diagnosis and prognosis of tic algorithm for machine performance asses-
cracked rotor shafts, in P. K. Willett and sment and its application, Production Plan-
T. Kirubarajan (eds), Component and Sys- ning & Control 15(8): 796801.
tems Diagnostics, Prognostics, and Health
Management II, SPIE. Yin, C. Y., Lu, H., Musallam, M., Bailey, C. and
Johnson, C. M. (2008). A physics-of-failure
Pang, C. K., Zhou, J.-H. and Yan, H.-C. (2013). based prognostic method for power modules,
Pdf and breakdown time prediction for unob- 2008 10th Electronics Packaging Technology
servable wear using enhanced particle fil- Conference, IEEE.
ters in precognitive maintenance, 9th Annual