DESENVOLVIMENTO E COMPARAÇÃO DE MODELOS DE GERAÇÃO DE CURVAS FFT A PARTIR DE IMAGENS DE TEMPERATURA × TEMPO PARA CLASSIFICAÇÃO DE LUBRIFICAÇÃO EM MANCAIS DE ROLAMENTO

Resumo

Este trabalho apresenta o desenvolvimento e a comparação de cinco variantes de um modelo computacional destinado à conversão de imagens de curvas temperatura × tempo em representações espectrais por meio da Transformada Rápida de Fourier (FFT). As imagens utilizadas — 387 no total — foram geradas a partir dos arquivos .csv do KAIST Bearing Run-to-Failure Dataset (2020) e representam três regimes de lubrificação em mancais de rolamento (healthy, marginal e starved). Cada variante do modelo emprega estratégias específicas de suavização, ponderação por energia e realce espectral, com o objetivo de gerar curvas FFT adequadas para posterior classificação automática por redes neurais convolucionais (CNNs). Os resultados indicam que as versões FFT-Weighted, FFT-Composite e FFT-1D-Plus apresentaram melhor desempenho visual e estatístico, proporcionando espectros com maior estabilidade global e detalhamento local. Essa combinação favorece a diferenciação entre classes, uma vez que fornece padrões texturais e contrastes espectrais mais consistentes para o aprendizado convolucional. Conclui-se que a aplicação de FFT às curvas térmicas amplia a expressividade dos dados e constitui uma etapa promissora na preparação de datasets para reconhecimento de regimes de lubrificação em mancais de rolamento por CNNs.