Otimização de classificadores de redes neurais por neuroevolução aplicada ao diagnóstico de defeitos em máquinas rotativas

Hygor Santiago; Milton Dias Júnior

doi:10.20397/2177-6652/2026.v26i3.3474

Autores/as

Hygor Santiago Universidade Estadual de Campinas http://orcid.org/0000-0002-4835-5498
Milton Dias Júnior UNICAMP https://orcid.org/0009-0006-2362-4942

DOI:

https://doi.org/10.20397/2177-6652/2026.v26i3.3474

Palabras clave:

Neuroevolução; Algoritmos Genéticos; Diagnóstico de falhas; Máquinas rotativas; Redes neurais.

Resumen

Objetivo: Desenvolver e analisar uma metodologia baseada em neuroevolução para otimizar automaticamente a arquitetura de um classificador de Redes Neurais Artificiais aplicado ao diagnóstico de defeitos em máquinas rotativas a partir de sinais de vibração.

Metodologia: Foi utilizado um Algoritmo Genético para explorar diferentes arquiteturas neurais e seus respectivos hiperparâmetros. Cada indivíduo da população representa uma configuração completa do classificador, incluindo a sequência de blocos convolucionais, recorrentes e densos, bem como parâmetros de treinamento. O processo evolutivo emprega seleção por torneio, elitismo, cruzamento estrutural, mutação arquitetural e mutação paramétrica. A função de aptidão considera o desempenho preditivo, a complexidade do modelo e o custo computacional. O treinamento das redes é realizado com validação e interrupção antecipada.

Originalidade: A pesquisa propõe a otimização conjunta da arquitetura e dos hiperparâmetros de um classificador destinado à análise de sinais vibratórios. A abordagem reduz a dependência de decisões manuais e permite investigar arquiteturas de profundidade variável, incluindo combinações entre blocos convolucionais, recorrentes do tipo LSTM e camadas densas.

Principais resultados: A neuroevolução permitiu identificar arquiteturas híbridas capazes de combinar a extração de padrões locais dos sinais com a modelagem de dependências temporais. Entre as configurações avaliadas, a arquitetura CNN-LSTM apresentou o melhor desempenho global. Os resultados também indicaram que a representatividade dos dados exerce influência decisiva sobre a capacidade de generalização do classificador, não sendo suficiente otimizar apenas a estrutura da rede.

Contribuições teóricas/metodológicas: O trabalho apresenta uma representação genética para arquiteturas neurais, uma função de aptidão multicritério e operadores evolutivos destinados à otimização automática de classificadores aplicados ao diagnóstico de falhas em máquinas rotativas.

Biografía del autor/a

Hygor Santiago, Universidade Estadual de Campinas

Engenheiro mecânico formado pela UFSJ onde participou dos grupos Cyros, Milhas Gerais e Gep_LASID onde exerceu diversas atividades em pesquisa e liderança. Mestre em Engenharia Mecânica na Unicamp onde trabalha com Inteligência Artificial em sistemas de classificação baseados em séries temporais, aplicado a eletrocardiologia. Cientista de dados e Business Intelligence na Thinkseg e Bidu.

Milton Dias Júnior, UNICAMP

Possui graduação em Engenharia Mecânica pela Universidade Estadual de Campinas (1984), mestrado em Engenharia Mecânica pela Universidade Estadual de Campinas (1987) e doutorado em Engenharia Mecânica pela Universidade Estadual de Campinas (1994). Realizou pós-doutorado no Structural Dynamics Research Laboratory, da Universidade de Cincinnati, EUA. Atualmente é Professor Associado I da Universidade Estadual de Campinas. Tem experiência na área de Engenharia Mecânica, com ênfase em Dinâmica dos Corpos Rígidos, Elásticos e Plásticos, atuando principalmente nos seguintes temas: Vibrações, Análise Modal, Processamento de Sinais, Dinâmica de Máquinas Rotativas e de Trens de Potência.

Citas

Al-Hussain, K. (2003). Dynamic stability of two rigid rotors connected by a flexible coupling with angular misalignment. Journal of Sound and Vibration, 266(2), 217–234. https://doi.org/10.1016/S0022-460X(02)01627-9

Al-Hussain, K., & Redmond, I. (2002). Dynamic response of two rotors connected by rigid mechanical coupling with parallel misalignment. Journal of Sound and Vibration, 249(3), 483–498. https://doi.org/10.1006/jsvi.2001.3866

Bengio, Y., Simard, P., & Frasconi, P. (1994). Learning long-term dependencies with gradient descent is difficult. IEEE Transactions on Neural Networks, 5(2), 157–166. https://doi.org/10.1109/72.279181

Deb, K. (2001). Multi-objective optimization using evolutionary algorithms. Wiley.

Dong, K., & Lotfipoor, A. (2023). Intelligent bearing fault diagnosis based on feature fusion of one-dimensional dilated CNN and multi-domain signal processing. Sensors, 23(12), Article 5607. https://doi.org/10.3390/s23125607

Eiben, A. E., & Smith, J. E. (2003). Introduction to evolutionary computing. Springer. https://doi.org/10.1007/978-3-662-05094-1

Goldberg, D. E. (1989). Genetic algorithms in search, optimization, and machine learning. Addison-Wesley.

Goodfellow, I., Bengio, Y., & Courville, A. (2016). Deep learning. MIT Press.

Hochreiter, S., & Schmidhuber, J. (1997). Long short-term memory. Neural Computation, 9(8), 1735–1780. https://doi.org/10.1162/neco.1997.9.8.1735

Holland, J. H. (1975). Adaptation in natural and artificial systems. University of Michigan Press.

Inman, D. J. (2013). Engineering vibration (4th ed.). Prentice Hall.

Jia, F., Lei, Y., Lin, J., Zhou, X., & Lu, N. (2016). Deep neural networks: A promising tool for fault characteristic mining and intelligent diagnosis of rotating machinery with massive data. Mechanical Systems and Signal Processing, 72–73, 303–315. https://doi.org/10.1016/j.ymssp.2015.10.025

McFadden, P., & Smith, J. (1984). Model for the vibration produced by a single point defect in a rolling element bearing. Journal of Sound and Vibration, 96(1), 69–82. https://doi.org/10.1016/0022-460X(84)90595-9

Michalewicz, Z. (1994). Genetic algorithms + data structures = Evolution programs (2nd ed.). Springer-Verlag.

Mitchell, M. (1996). An introduction to genetic algorithms. MIT Press. https://doi.org/10.7551/mitpress/3927.001.0001

Muszyńska, A. (2005). Rotordynamics. CRC Press.

Rao, J. S. (1983). Rotor dynamics. John Wiley & Sons.

Randall, R. B. (2011). Vibration-based condition monitoring: Industrial, aerospace and automotive applications. John Wiley & Sons.

Randall, R. B., & Antoni, J. (2011). Rolling element bearing diagnostics—A tutorial. Mechanical Systems and Signal Processing, 25(2), 485–520. https://doi.org/10.1016/j.ymssp.2010.07.017

Scheffer, C., & Girdhar, P. (2004). Practical machinery vibration analysis and predictive maintenance. Newnes.

Srivastava, N., Hinton, G. E., Krizhevsky, A., Sutskever, I., & Salakhutdinov, R. (2014). Dropout: A simple way to prevent neural networks from overfitting. Journal of Machine Learning Research, 15(1), 1929–1958

Zhao, R., Yan, R., Chen, Z., Mao, K., Wang, P., & Gao, R. X. (2019). Deep learning and its applications to machine health monitoring. Mechanical Systems and Signal Processing, 115, 213–237. https://doi.org/10.1016/j.ymssp.2018.05.050