DESARROLLO Y COMPARACIÓN DE MODELOS PARA LA GENERACIÓN DE CURVAS FFT A PARTIR DE IMÁGENES DE TEMPERATURA–TIEMPO PARA LA CLASIFICACIÓN DE LA LUBRICACIÓN EN COJINETES DE RODILLOS
DOI:
https://doi.org/10.61164/j87vfa28Palabras clave:
Transformada Rápida de Fourier, Cojinetes de Rodillos, Lubricación, Redes Neuronales Convolucionales, Procesamiento de SeñalesResumen
Este estudio presenta el desarrollo y la comparación de cinco variantes de un modelo computacional diseñado para convertir imágenes de curvas temperatura–tiempo en representaciones espectrales mediante la Transformada Rápida de Fourier (FFT). Se utilizaron 387 imágenes generadas a partir de archivos .csv del KAIST Bearing Run-to-Failure Dataset (2020), que representan tres regímenes de lubricación en cojinetes de rodillos (healthy, marginal y starved). Cada variante aplica estrategias específicas de suavizado, ponderación energética y realce espectral para producir curvas FFT adecuadas para la clasificación automática mediante redes neuronales convolucionales (CNN). Los resultados indican que las versiones FFT-Weighted, FFT-Composite y FFT-1D-Plus ofrecen un desempeño superior, generando espectros con alta estabilidad global y buen nivel de detalle local. Este equilibrio mejora la diferenciación entre clases, proporcionando patrones texturales y contrastes espectrales consistentes para el aprendizaje convolucional. Se concluye que la aplicación de la FFT a las curvas térmicas incrementa la expresividad de los datos y constituye una etapa prometedora en la preparación de conjuntos de datos para el reconocimiento de regímenes de lubricación mediante CNN.
Descargas
Referencias
ACTUATORS. The Fault Diagnosis of Rolling Bearings Based on FFT SE TCN SVM. Actuators, v. 14, n. 3, p. 152, 2025. Disponível em: https://www.mdpi.com/2076-0825/14/3/152. Acesso em: 31 out. 2025.
CARVALHO, R. M.; CARVALHO, T. J. A.; DINIZ, B. C. Development of an Image Processing Model for Bearing Lubrication Classification Using Convolutional Neural Networks. In: XI SIINTEC – International Symposium on Innovative Technologies, 2025, Salvador. Proceedings: XI SIINTEC, 2025.
COOLEY, J. W.; TUKEY, J. W. An algorithm for the machine calculation of complex Fourier series. Mathematics of Computation, v. 19, n. 90, p. 297–301, 1965.
KOREA ADVANCED INSTITUTE OF SCIENCE AND TECHNOLOGY (KAIST). Bearing Run-to-Failure Dataset. Daejeon, South Korea, 2020.
LECUN, Y.; BENGIO, Y.; HINTON, G. Deep learning. Nature, v. 521, n. 7553, p. 436–444, 2015.
OPPENHEIM, A. V.; SCHAFER, R. W. Discrete-Time Signal Processing. 3. ed. Upper Saddle River: Prentice Hall, 2010.
SENSORS. Bearing Fault Diagnosis Using Lightweight and Robust One Dimensional Convolution Neural Network in the Frequency Domain. Sensors, v. 22, n. 15, p. 5793, 2022. Disponível em: https://www.mdpi.com/1424-8220/22/15/5793. Acesso em: 31 out. 2025.
WU, X.; YANG, C.; ZHENG, H.; LI, X. Intelligent fault diagnosis of rotating machinery based on improved CNN with frequency–domain feature fusion. Sensors, v. 23, n. 8, p. 3921, 2023.
XU, M.; YU, Q.; CHEN, S.; LIN, J. Rolling Bearing Fault Diagnosis Based on CNN-LSTM with FFT and SVD. Information, v. 15, n. 7, p. 399, 2024. Disponível em: https://www.mdpi.com/2078-2489/15/7/399. Acesso em: 31 out. 2025.
ZHANG, H.; ZHOU, Y.; WANG, Z.; LI, J. Fault diagnosis of rolling bearings based on time–frequency representation and convolutional neural networks. Mechanical Systems and Signal Processing, v. 181, p. 109484, 2022.
ZHOU, J.; QIN, Y.; KOU, L.; YUWONO, M.; SU, S. Fault detection of rolling bearing based on FFT and classification. Journal of Advanced Mechanical Design, Systems, and Manufacturing, v. 9, n. 5, 2015. Disponível em: https://www.jstage.jst.go.jp/article/jamdsm/9/5/9_2015jamdsm0056/_article. Acesso em: 31 out. 2025.
Descargas
Publicado
Número
Sección
Licencia
Derechos de autor 2025 Bruno da Cunha Diniz, Ranya Mota Carvalho, Talisson de Jesus Alves Carvalho
Esta obra está bajo una licencia internacional Creative Commons Atribución 4.0.
Autores que publicam nesta revista concordam com os seguintes termos:
- Autores mantém os direitos autorais e concedem à revista o direito de primeira publicação, com o trabalho simultaneamente licenciado sob a Licença Creative Commons Attribution que permite o compartilhamento do trabalho com reconhecimento da autoria e publicação inicial nesta revista;
- Autores têm autorização para assumir contratos adicionais separadamente, para distribuição não-exclusiva da versão do trabalho publicada nesta revista (ex.: publicar em repositório institucional ou como capítulo de livro), com reconhecimento de autoria e publicação inicial nesta revista, desde que adpatado ao template do repositório em questão;
- Autores têm permissão e são estimulados a publicar e distribuir seu trabalho online (ex.: em repositórios institucionais ou na sua página pessoal) a qualquer ponto antes ou durante o processo editorial, já que isso pode gerar alterações produtivas, bem como aumentar o impacto e a citação do trabalho publicado (Veja O Efeito do Acesso Livre).
- Os autores são responsáveis por inserir corretamente seus dados, incluindo nome, palavras-chave, resumos e demais informações, definindo assim a forma como desejam ser citados. Dessa forma, o corpo editorial da revista não se responsabiliza por eventuais erros ou inconsistências nesses registros.
POLÍTICA DE PRIVACIDADE
Os nomes e endereços informados nesta revista serão usados exclusivamente para os serviços prestados por esta publicação, não sendo disponibilizados para outras finalidades ou a terceiros.
Obs: todo o conteúdo do trabalho é de responsabilidade do autor e orientador.
