Máquinas rotativas são componentes centrais de equipamentos mecânicos e falhas nessas máquinas podem causar perdas significativas. Portanto, o monitoramento e diagnóstico em tempo real das máquinas rotativas são essenciais. Este artigo investiga o monitoramento e diagnóstico de máquinas rotativas, propondo um método inteligente de diagnóstico por infravermelho baseado em aprendizado profundo. Foi construído uma bancada experimental para simular falhas em máquinas rotativas, pré-configurando três estados do motor elétrico: normal, sobrecarga e curto-circuito, bem como três estados do sistema rotor: normal, desequilibrado e desalinhado. A temperatura da superfície das máquinas rotativas foi coletada usando uma câmera térmica infravermelha, seguida por imageamento infravermelho e realce; um algoritmo de detecção de objetos foi utilizado para reconhecer e localizar componentes nas imagens, e com base nos resultados da detecção, as imagens infravermelhas das áreas dos componentes foram reconstruídas; por fim, um algoritmo de classificação de imagens foi usado para classificar o estado de dois tipos de componentes, realizando assim o diagnóstico inteligente de falhas. Os resultados experimentais mostram que o método alcança uma precisão de diagnóstico de 90,06% para o sistema de máquinas rotativas descrito neste artigo, obtendo bons resultados no diagnóstico inteligente. Além disso, o método e o processo, após a expansão para tipos de componentes e categorias de falhas, têm certo valor de referência e aplicação para o diagnóstico de falhas em máquinas rotativas e até mesmo em falhas mecânicas.

máquinas rotativas;aprendizado profundo;diagnóstico por infravermelho