Análise de Representações de Sinais para Detecção de Anomalias em Ambientes Industriais

Resumo

No contexto da indústria 4.0, a digitalização está presente em diversos âmbitos do ambiente industrial. Em uma área em que existe uma alta competitividade, a aplicação de técnicas de Inteligência Artificial (IA) tem se destacado como uma abordagem eficaz para atividades como  detecção de anomalias em máquinas industriais (SERRADILHA et al., 2022). Aplicações de técnicas de Machine Learning são utilizadas para entender o contexto das operações de máquinas industriais e realizar a detecção de falhas, o que contribui para uma manutenção preditiva eficaz (TONGZHOU et al., 2025). Essa abordagem possui como consequência a redução de condições operacionais desfavoráveis para produção industrial, tais como interrupção do funcionamento das máquinas e o aumento de riscos relacionados à segurança dos operadores no ambiente de trabalho. Dentre as técnicas utilizadas, se destacam os métodos de análise de sinais oriundos de sensores que captam dados de máquinas tais como bombas, válvulas, esteiras rolantes e ventiladores. Os sinais são adquiridos conforme as especificações dos sensores empregados, que podem ser acelerômetros, microfones, entre outros, dependendo da natureza da variável monitorada. A estratégia de coleta dos dados varia conforme a abordagem de modelagem adotada. Em métodos baseados em one-class classification, o treinamento do modelo de detecção de anomalias é realizado exclusivamente com amostras representativas do estado normal de operação das máquinas (MONTEIRO, 2022). Alternativamente, abordagens baseadas em classificadores binários e multiclasse consideram sinais oriundos de equipamentos tanto em condições normais quanto anômalas. Técnicas de análise de sinais, como construção de espectrogramas, são exploradas de modo a entender características dos sinais das máquinas em seus diferentes cenários, tais como ausência ou presença de anomalias (LEE, 2018). Estudos relacionados apresentam modelos de detecção de anomalias, porém, sem realizar análises comparativas de desempenho entre diferentes representações de sinais, como observado em Neto et al. (2024) e Meraneh et al. (2024). Em Wang et al. (2020), embora sejam abordadas diferentes formas de representação dos sinais, não é discutido o impacto que a inserção de ruídos pode causar no desempenho dos modelos. Diante do contexto apresentado, este trabalho possui como objetivo analisar a quantidade de informação originárias de cada um do três modos de representações de sinais: o espectrograma, espectrograma mel e Coeficientes Cepstrais de Frequência Mel (MFCC) e avaliar seus respectivos impactos na detecção de anomalias. Essas representações foram construídas a partir de um conjunto de dados denominado Malfunctioning Industrial Machine Investigation and Inspection (MIMII) , no qual possui dados sonoros de equipamentos industriais com e sem anomalias armazenados em formato de arquivo de áudio (.wav). Os sinais são originários de quatro diferentes elementos (válvula, esteira rolante, bombas industrias  e ventiladores). Para cada elemento foram capturados sinais com diferentes relações sinais ruído, tais como 6 decibés, 0 decibiés e -6 decibéis (PUROHIT et al., 2019). Na presente pesquisa foram construídas representações referentes aos exemplos contendo sinais relativos às bombas industriais em cada um dos três níveis de sinal/ruído. Os arquivos de formato .wav foram convertidos individualmente nas três formas de representação de sinais. Cada conjunto de representações foi inserido em um classificador, baseado em redes neurais convolucionais, onde foram analisadas métricas como acurácia, recall, precisão, f1-score. Foi observado que os espectrogramas retornaram resultados de classificação semelhantes para as três formas de representação com a relação sinal/ruído estabelecida em 6dB, com valores de acurácia próximos a 98%. Porém, em cenários nos quais existem maior presença de ruídos, os valores de acurácia de MFCC diminuíram para 88% (0dB) e 79%(-6dB), os valores relativos aos espectrogramas foram de 93%(0dB) e 78% (-6dB) enquanto, para as mesmas relações de sinal ruído, as classificações oriundas de espectrogramas de mel mantiveram acurácia acima de 95% ao apresentar valores de 95%(0dB) e 96% (-6dB). Os valores apresentados demonstraram uma estabilidade nas classificações que utilizam como entrada o espectrograma de mel em diferentes cenários de sinal/ruído, o que não ocorreu com MFCC e espectrogramas. Esses resultados preliminares serão utilizados como base para os trabalhos futuros com objetivo de entender quais as características dos sinais apresentam maior influência e como podem ser utilizadas de modo que incrementem as detecções de anomalias.
 
Palavras-chave: Representação de Sinais; Detecção de Anomalia; Aprendizado de Máquina; Indústria 4.0.
 
Referências
 
 
 
DE OLIVEIRA NETO, Wilson A.; GUEDES, Elloá B.; FIGUEIREDO, Carlos Maurício S. Anomaly Detection in Sound Activity with Generative Adversarial Network Models. Journal of Internet Services and Applications, v. 15, n. 1, p. 313-324, 2024.
DE PAULA MONTEIRO, Rodrigo et al. A hybrid prototype selection-based deep learning approach for anomaly detection in industrial machines. Expert Systems with Applications, v. 204, p. 117528, 2022.
MERANEH, Awaleh Houssein et al. SADIS: real-time sound-based anomaly detection for industrial systems. In: International Symposium on Foundations and Practice of Security. Cham: Springer Nature Switzerland, 2023. p. 82-92.
PUROHIT, Harsh et al. MIMII Dataset: Sound dataset for malfunctioning industrial machine investigation and inspection. arXiv preprint arXiv:1909.09347, 2019.
SERRADILLA, Oscar et al. Deep learning models for predictive maintenance: a survey, comparison, challenges and prospects. Applied Intelligence, v. 52, n. 10, p. 10934-10964, 2022.
TONGZHOU, Ye; TIANHAO, Peng; YANG, Lidong. Review on Sound-Based Industrial Predictive Maintenance: From Feature Engineering to Deep Learning. Mathematics, v. 13, n. 11, p. 1724, 2025.
WANG, Mei et al. A machine anomalous sound detection method using the lMS spectrogram and ES-MobileNetV3 network. Applied Sciences, v. 13, n. 23, p. 12912, 2023.