Diagnóstico Triplo de Transmissão de Ponte Rolante com IA
Problema central: como a fusão de IA das três técnicas de deteção — emissão acústica, vibração e análise de óleo — permite a antecipação de falhas no sistema de transmissão de pontes rolantes?
A emissão acústica capta microfissuras no material (50~400kHz), a análise de vibração identifica as assinaturas de frequência dos componentes rotativos (0,5Hz~10kHz) e a análise de óleo quantifica diretamente a concentração de partículas de desgaste. Os dados dos três modos, processados por extração de características com 1D-CNN e fusão por atenção cruzada multi-cabeça, atingem uma precisão de diagnóstico de desgaste de engrenagens de 97,2% — um ganho de 10,7 pontos percentuais face à análise de vibração isolada — com uma antecipação média de 24,8 dias e uma taxa de falsos alarmes de apenas 2,1%.
De acordo com os requisitos da norma ISO 4301 / FEM 1.001 — Disposições fundamentais para o projeto de guindastes relativos à monitorização da saúde dos mecanismos de transmissão, a evolução de falhas em componentes críticos — como redutores de ponte rolante, rolamentos e freios — segue normalmente um processo prolongado que vai da danificação microscópica até à falha macroscópica. Uma abordagem baseada num único tipo de sensor só permite, na maioria dos casos, identificar a falha numa fase já avançada ou tardia do seu desenvolvimento.
As três técnicas — emissão acústica (incluindo som audível), análise de vibração e análise de óleo — apresentam sensibilidades distintas para diferentes tipos de falhas incipientes: a emissão acústica é extremamente sensível à rutura inicial de microfissuras no material; os sinais de vibração revelam assinaturas de frequência claras para desequilíbrios e desalinhamento de eixos em componentes rotativos; e a análise de óleo permite identificar diretamente a composição, morfologia e concentração das partículas de desgaste.
A fusão dos dados destas três técnicas através de análise multimodal com IA permite captar sinais precoces de falha em múltiplas dimensões físicas, possibilitando um diagnóstico mais precoce e mais preciso. Este artigo descreve em detalhe a configuração de sensores, a extração de características, os algoritmos de fusão e o plano de implementação em ambiente industrial para o diagnóstico integrado de pontes rolantes com base na combinação de emissão acústica, vibração e análise de óleo.
Fundamentos físicos e configuração de sensores para deteção multimodal em pontes rolantes
O processo de evolução de falhas no sistema de transmissão de pontes rolantes manifesta-se através de diferentes sinais precoces em diferentes domínios físicos. No domínio da emissão acústica, a propagação de microfissuras e o movimento de deslocações no material geram sinais acústicos do tipo transiente numa gama de frequências de 100kHz~1MHz. Estes sinais podem ser captados pelo sensor de emissão acústica 2 a 4 semanas antes de a fissura atingir dimensões macroscópicas.
No domínio da vibração, o descascamento por fadiga incipiente em rolamentos produz respostas de impacto periódicas nas frequências de passagem (BPFO/BPFI/BSF/FTF). O sensor de aceleração dinâmica consegue detetar sinais de impacto fracos, da ordem dos 10~50mg, numa fase inicial da falha — normalmente 1 a 2 semanas antes do aumento de temperatura.
No domínio do óleo, as partículas resultantes do desgaste de engrenagens e rolamentos permanecem suspensas no óleo lubrificante. Antes de o desgaste entrar na fase de aceleração, a concentração de partículas ferromagnéticas no óleo sobe de valores normais <10ppm para 50~200ppm. A ferrográfia permite detetar tendências anómalas de desgaste com 2 a 6 semanas de antecedência.
As três técnicas são complementares no que respeita à janela temporal de deteção de falhas: a emissão acústica é a mais precoce (2 a 4 semanas de antecedência), seguida da análise de óleo (2 a 6 semanas) e da análise de vibração (1 a 2 semanas). A sua integração permite uma cobertura completa do ciclo de vida da falha — fases inicial, intermédia e avançada — no sistema de transmissão.
A configuração do sistema de sensores deve abranger as duas unidades de transmissão centrais: o redutor do mecanismo de elevação e o redutor do mecanismo de translação. Cada redutor é equipado com os seguintes sensores:
- Sensor de aceleração dinâmica (tipo IEPE, sensibilidade 100mV/g, gama de frequência 0,5Hz~10kHz, faixa de medição ±50g) — instalado em três posições: no mancal do eixo de alta velocidade, no mancal do eixo intermédio e no mancal do eixo de baixa velocidade;
- Sensor de emissão acústica (frequência de ressonância 150kHz, pré-amplificador de 40dB incorporado, gama de frequência 50kHz~400kHz) — montado na superfície exterior da carcaça do redutor, junto à zona de engrenamento, fixado por base magnética e com acoplamento acústico garantido por gel de ultrassons;
- Sensor de óleo (em linha, parâmetros de medição: viscosidade ±5%, teor de água ±50ppm, concentração de partículas ferromagnéticas ±10ppm, constante dielétrica ±0,5) — instalado em série no circuito de circulação do óleo do redutor ou em derivação (bypass).
A título de exemplo, num redutor de elevação de uma ponte rolante de 40 toneladas, a configuração completa inclui 3 pontos de medição de vibração, 2 pontos de medição de emissão acústica e 1 sensor de óleo em linha. As frequências de aquisição de dados são: 25,6kHz para vibração, 1MHz para emissão acústica e uma leitura do sensor de óleo a cada 10 minutos.
| Detecção Modo | Tipo de sensor | Detecção Faixa de Frequência | Taxa de Amostragem | Antecedência de Alerta Precoce | Tipo de Falha Mais Sensível |
|---|---|---|---|---|---|
| emissão acústica | Ressonante AESensor | 50~400kHz | 1MHz | 2~4Semana | Engrenagem Microscópico Trinca, Rolamento Descamação Incipiente |
| Vibração | IEPESensor de aceleração | 0.5Hz~10kHz | 25.6kHz | 1~2Semana | Rolamento Pitting, Engrenagem Quebra de Dente, Nãoalinhamento de eixos, Desbalanceamento |
| Óleo Lubrificante | Condição do Óleo em Linha Sensor | Tamanho de Partícula1~1000μm | Por10min Uma Vez | 2~6Semana | Engrenagem/Desgaste do rolamento Falha, Degradação do Óleo |
Extração de Características Multimodais e Pré-processamento com Computação de Borda
Os sinais brutos das três modalidades apresentam diferenças significativas nas suas características de dados, exigindo pipelines de extração de características especificamente concebidos para cada uma. Para a extração de características do sinal de vibração, são utilizadas estatísticas nos domínios do tempo, frequência e tempo-frequência. As características no domínio do tempo incluem pico, valor eficaz (RMS), curtose, fator de forma, fator de crista e fator de impulso. O indicador de curtose é o mais sensível a falhas precoces de impacto nos rolamentos — um rolamento saudável apresenta um valor de curtose de aproximadamente 3, que pode aumentar para 5 a 8 quando ocorre descamação precoce.
As características no domínio da frequência são extraídas através da Transformada Rápida de Fourier (FFT), obtendo as amplitudes das frequências de engrenamento e das suas bandas laterais. Num redutor de dois estágios, as variações de amplitude das bandas laterais das frequências de engrenamento do estágio de alta velocidade (tipicamente 300–800 Hz) e do estágio de baixa velocidade (tipicamente 80–200 Hz) são indicadores cruciais de falhas nas engrenagens.
No domínio tempo-frequência, a Transformada de Fourier de Curta Duração (STFT) ou a Transformada Wavelet Contínua (CWT) são utilizadas para extrair padrões de falha do espectrograma. A transformada wavelet oferece uma resolução de frequência superior em bandas de baixa frequência, sendo adequada para extrair características de vibração não estacionárias da ponte rolante durante arranques, paragens e variações de carga.
O processamento do sinal de emissão acústica concentra-se na extração de parâmetros de dois tipos de sinais: sinais transitórios e sinais contínuos.
Os parâmetros de emissão acústica transitória incluem contagem de ressonâncias, contagem de eventos, amplitude, tempo de subida, duração e energia. Cada parâmetro permite distinguir diferentes tipos de fontes de falha — sinais de emissão acústica de trincas por fadiga em dentes de engrenagem apresentam tipicamente tempos de subida mais longos (50–200 μs) e energia mais elevada (>1000 aJ), enquanto sinais de elementos rolantes a passar sobre trincas têm tempos de subida mais curtos (10–50 μs).
Os parâmetros de emissão acústica contínua incluem o valor eficaz (RMS), que reflete a intensidade global da atividade de emissão acústica, e o Nível de Sinal Médio (ASL). Um valor de ASL superior a 10 dB acima da linha de base indica um aumento anormal do desgaste.
A análise do sinal de emissão acústica também utiliza técnicas de localização espacial. Ao dispor uma matriz de múltiplos sensores de emissão acústica na carcaça do redutor, o método de diferença de tempo de chegada (TDOA) calcula as coordenadas espaciais da fonte de emissão acústica no interior do redutor, permitindo localizar a falha num estágio de engrenagem ou posição de rolamento específico, com uma Precisão de Posicionamento de ±50 mm.
Os dados de análise de óleo incluem parâmetros em tempo real de sensores online e dados de análises laboratoriais offline. Os sensores online monitorizam continuamente a concentração de partículas ferromagnéticas, o índice de partículas de desgaste, a viscosidade cinemática e a constante dielétrica do óleo. A concentração de partículas ferromagnéticas (código norma ISO 4406) e o índice de partículas de desgaste (WPC) são os indicadores centrais para avaliar o grau de desgaste.
A análise laboratorial offline é realizada trimestralmente e inclui ferrographia (para determinar se a morfologia das partículas indica desgaste abrasivo, descamação por fadiga ou desgaste adesivo), análise espectroscópica de elementos (as concentrações de Fe, Cu, Al, Si, Cr, etc. refletem a localização específica do desgaste — níveis elevados de Fe indicam desgaste de engrenagens ou rolamentos, níveis elevados de Cu indicam desgaste da gaiola de latão) e análise de parâmetros físico-químicos do óleo (índice de acidez, teor de água, ponto de inflamação, resistência à emulsificação, etc.).
A estratégia de análise colaborativa entre dados online e offline é a seguinte: os sensores online monitorizam continuamente as tendências; quando ocorre um aumento anormal, é acionada uma amostragem offline para uma análise ferrográfica e espectroscópica detalhada, confirmando o tipo de falha e a localização do desgaste.
Modelo de Diagnóstico por IA com Fusão Multimodal Baseada em Mecanismos de Atenção
O principal desafio técnico na fusão de diagnóstico das três modalidades — acústica, vibração e óleo — reside nas enormes diferenças entre as escalas de tempo, frequências de amostragem e dimensões das características. A emissão acústica adquire 1 milhão de pontos de dados por segundo, a vibração 25.600 pontos por segundo, e o óleo regista uma leitura a cada 10 minutos. Os métodos tradicionais de fusão ao nível dos dados têm dificuldade em lidar com esta heterogeneidade, pelo que se adota uma arquitetura hierárquica que combina fusão ao nível das características com fusão ao nível das decisões.
Ao nível das características, os dados de cada modalidade passam por redes neurais especializadas de extração de características para gerar vetores de incorporação de baixa dimensão: o sinal de vibração é processado por uma 1D-CNN com blocos residuais para extrair um vetor de 192 dimensões; o sinal de emissão acústica é processado por decomposição em pacotes wavelet de múltiplas escalas combinada com 1D-CNN para extrair 256 dimensões; e os dados de séries temporais do óleo são processados por uma LSTM ou TimesNet para extrair 128 dimensões.
Os três vetores de características são fundidos através de um mecanismo de atenção cruzada multi-cabeça: o vetor de características de cada modalidade atua como query, key e value, e os pesos de correlação entre as diferentes modalidades são aprendidos automaticamente durante o treino.
Ao nível das decisões, o vetor de características multimodais fundido (dimensão 576) passa por camadas totalmente ligadas e uma função Softmax para produzir a probabilidade de cada categoria de falha. A camada de saída do modelo inclui 8 categorias de falha: desgaste da superfície do dente da engrenagem, dente partido, falha do anel externo do rolamento, falha do anel interno do rolamento, falha do elemento rolante, falha da gaiola do rolamento, desalinhamento/desequilíbrio do eixo e lubrificação deficiente/contaminação do óleo.
Além disso, o modelo também produz um Índice de Saúde (HI) num intervalo de 0 a 100, avaliando de forma abrangente o estado geral do redutor. O conjunto de dados de treino deve abranger dados multimodais da ponte rolante sob várias condições operacionais (diferentes taxas de carga, velocidades de rotação e temperaturas), com aproximadamente 2000 conjuntos de amostras positivas (estado normal) e pelo menos 200 conjuntos por categoria de amostras negativas (estados de falha).
Dada a dificuldade em obter dados reais de falhas, os dados podem ser adquiridos através de uma bancada de teste de vida acelerada do redutor de ponte rolante, ou podem ser gerados dados simulados para várias condições de falha através de uma plataforma de simulação com Gêmeo Digital.
Em testes conjuntos realizados pela Kelude e universidades parceiras, o modelo de diagnóstico de três modalidades baseado em fusão por atenção cruzada alcançou uma taxa de identificação de 97,2% para desgaste precoce de engrenagens, uma melhoria de 10,7 pontos percentuais em relação à modalidade de vibração isolada (86,5%) e de 9,1 pontos percentuais em relação à modalidade de emissão acústica isolada (88,1%). O tempo médio de alerta foi 13,6 dias mais precoce em comparação com a modalidade de vibração isolada.
| Diagnóstico Modo | Engrenagem Desgaste Taxa de Precisão | Rolamento Precisão de Diagnóstico de Falhas | Antecedência Média de Alerta | Taxa de Falso Alarme |
|---|---|---|---|---|
| Modo Único de Vibração | 86.5% | 89.2% | 11.2Dia | 5.8% |
| emissão acústica Modo Único de Vibração | 88.1% | 87.6% | 18.5Dia | 6.2% |
| Vibração+Modo Duplo de Óleo | 93.4% | 94.1% | 19.8Dia | 3.5% |
| Fusão de Três Modos | 97.2% | 96.8% | 24.8Dia | 2.1% |
Arquitetura do Sistema e Implantação Coordenada Edge-Nuvem
O sistema de diagnóstico integrado de vibração, emissão acústica e óleo adota uma arquitetura distribuída de três níveis.
No nível de campo, uma Unidade de Aquisição de Dados (DAU) inteligente é implantada em cada redutor, integrando canais de aquisição de vibração IEPE (4 canais, amostragem síncrona), canais de aquisição de alta velocidade para emissão acústica (2 canais, taxa de amostragem de 1MHz, cache de dados de 256MB), interface RS485/Modbus para o sensor de óleo e um módulo de Computação de Borda (processador ARM Cortex-A72 + NPU com 4 TOPS de capacidade de processamento).
A DAU é responsável pela aquisição de sinais, extração de características na borda e diagnóstico preliminar. Quando o Índice de Saúde (HI) local cai abaixo de 60, os dados de características comprimidos e segmentos de forma de onda bruta são enviados para a plataforma de análise de dados ao nível da oficina. Neste nível, um servidor de processamento de dados (recomenda-se NVIDIA RTX 4090 ou capacidade computacional equivalente) executa a versão completa do modelo de diagnóstico integrado, gerenciando os dados de múltiplas pontes rolantes, executando a inferência do modelo e gerando relatórios.
Na nuvem empresarial, é implantada uma plataforma central de dados que permite a análise consolidada de dados de múltiplas fábricas, a otimização contínua do treinamento de modelos e a gestão da base de conhecimento do sistema especialista de Diagnóstico remoto.
A comunicação do sistema é garantida por um mecanismo de armazenamento e retransmissão em três níveis. Primeiro, a DAU armazena localmente todos os dados brutos (vibração + emissão acústica) por pelo menos 30 dias e dados de tendência de características por 3 anos, assegurando que nenhum dado crítico seja perdido mesmo com uma interrupção na rede da oficina. Segundo, a comunicação entre a DAU e o servidor da oficina é feita via Ethernet Gigabit com fio. Se a conexão do servidor da oficina com a nuvem for interrompida, o servidor atua como um nó de cache, armazenando os dados temporariamente e reenviando-os automaticamente quando a conexão for restabelecida.
Terceiro, para alertas críticos, o sistema envia notificações simultaneamente através de três canais: o Alarme Sonoro e Visual no local, uma janela pop-up na interface SCADA da sala de controle e mensagens de texto para telefone celular/WeChat corporativo, garantindo que nenhum alerta seja perdido.
Na prática de engenharia da Kelude, um sistema completo de diagnóstico integrado pode cobrir a monitorização do sistema de transmissão de 10 a 20 pontes rolantes numa única oficina. O plano de aquisição e armazenamento de dados é projetado para cerca de 2GB de dados brutos por ponte rolante por dia (vibração 25.6kHz×4 canais×24h + emissão acústica 1MHz×2 canais×24h). Após a extração de características na borda, o volume de dados enviados é reduzido para cerca de 50MB por dia, diminuindo significativamente a pressão sobre a largura de banda de comunicação e o armazenamento na nuvem.
Casos Típicos e Experiência de Implementação em Projetos
Num projeto de monitorização inteligente do sistema de transmissão de pontes rolantes para uma grande siderúrgica, conduzido pela Kelude, o sistema de diagnóstico integrado foi instalado em 12 pontes rolantes de fundição metalúrgica (cada uma com mecanismo de elevação de gancho duplo de 40t/80t).
No 47º dia de operação, o sistema detectou uma queda contínua do Índice de Saúde (HI) do rolamento do eixo de alta velocidade do redutor do mecanismo de elevação principal da ponte nº 4, de 87 para 52. A curtose da vibração aumentou de 3.1 para 7.8, a contagem de eventos de emissão acústica subiu de uma média diária de 200 para 3800, e a concentração de partículas ferromagnéticas no óleo aumentou de 12ppm para 186ppm. O modelo de fusão de três modos diagnosticou "descamação por fadiga precoce no Anel Externo do rolamento, com 96.5% de confiança".
A equipa de gestão de manutenção programou uma intervenção planeada com base nas recomendações do sistema. A inspeção revelou 3 trincas por descamação de fadiga, com cerca de 5~8mm de comprimento, na pista do Anel Externo do rolamento do eixo de alta velocidade. Com o ciclo tradicional de deteção por vibração trimestral, esta falha levaria pelo menos mais 3 semanas para ser detetada, altura em que a área de descamação teria aumentado, podendo causar a fratura da gaiola de rolamento ou mesmo o bloqueio da Caixa de engrenagens, resultando numa parada não programada e danos colaterais como a quebra dos dentes das engrenagens.
Este alerta antecipado evitou perdas de produção e custos de manutenção estimados em cerca de €35.900. Considerando que o investimento no sistema de monitorização para as 12 pontes rolantes da fábrica foi de aproximadamente €46.100, o retorno sobre o investimento para este único evento de alerta já ultrapassou os 77%.
Várias lições importantes de engenharia foram aprendidas durante a implementação. Primeiro, a qualidade do acoplamento entre o sensor de emissão acústica e a carcaça do redutor afeta diretamente a qualidade do sinal. Uma base magnética com acoplante ultrassónico numa superfície metálica limpa proporciona um acoplamento estável, mas para superfícies pintadas ou irregulares, recomenda-se a fixação permanente com adesivo epóxi.
Segundo, a escolha do local de instalação do sensor de óleo online é crucial. Deve ser instalado no tubo de retorno principal ou na zona de sedimentação de partículas no fundo do cárter do redutor. Em instalações em bypass, é necessário garantir que a velocidade do fluxo de óleo esteja entre 0.3~1.0m/s para assegurar a representatividade da contagem de partículas.
Terceiro, as características do sinal dos redutores de ponte rolante diferem significativamente entre as fases de arranque/paragem e a operação em regime permanente. Durante o treino do modelo de IA, é essencial dividir os intervalos de carga e Velocidade de rotação (quatro intervalos: vazio, carga leve, carga nominal e sobrecarga). Diferentes limiares de diagnóstico e modelos de referência devem ser usados para cada intervalo, a fim de evitar falsos alarmes devido a variações nas condições de operação.
A Kelude acumulou vasta experiência em seleção de sensores, integração de sistemas e análise de dados no domínio da monitorização inteligente de sistemas de transmissão de pontes rolantes, podendo oferecer soluções de diagnóstico integrado para utilizadores de pontes rolantes nas indústrias metalúrgica, portuária, de energia, entre outras, desde projetos piloto de uma única unidade até à cobertura de fábricas inteiras.
Perguntas Frequentes
P: Que modificações são necessárias nas pontes rolantes existentes para instalar o sistema de diagnóstico integrado?
R: As modificações envolvem principalmente a instalação do sensor de emissão acústica na carcaça do redutor (montagem com base magnética, sem danificar a estrutura), a instalação do Sensor de aceleração no Mancal (fixação com parafuso M6, exigindo Furação e rosqueamento no Mancal) e a instalação do sensor de óleo em série ou em bypass na linha de óleo (exigindo modificação da tubulação). Para pontes rolantes mais antigas, recomenda-se realizar a instalação dos sensores durante uma Revisão geral planeada para minimizar o impacto na produção. A cablagem elétrica segue as bandejas para cabos existentes da ponte rolante, sem afetar o sistema elétrico original. O tempo de instalação e modificação dos sensores para uma única ponte rolante é de aproximadamente 1 a 2 dias.
P: O sistema consegue distinguir entre falhas de engrenagens e falhas de rolamentos? Como são tratados os falsos diagnósticos?
R: Sim, consegue. As falhas de engrenagens e de rolamentos apresentam diferenças claras nas características de Frequência: as falhas de engrenagens manifestam-se por alterações na amplitude da Frequência de engrenamento e das suas bandas laterais, enquanto as falhas de rolamentos se manifestam como respostas de impacto nas frequências características do rolamento (BPFO/BPFI/BSF/FTF). O modelo de fusão de três modos valida ainda mais o diagnóstico através da localização por diferença de tempo de chegada da emissão acústica (que pode localizar a fonte da falha numa faixa de ±50mm) e da análise morfológica das partículas de óleo (a descamação por fadiga de engrenagens produz partículas lamelares, enquanto a fadiga de rolamentos produz partículas esféricas). Para lidar com falsos diagnósticos, o sistema inclui um mecanismo de confirmação em dois níveis: após uma deteção anómala inicial, a frequência de aquisição de dados é automaticamente aumentada para uma segunda verificação. O alerta só é enviado após o limiar de confiança ser atingido, reduzindo eficazmente a taxa de falsos alarmes.
P: Qual é o investimento necessário para implantar o sistema de diagnóstico integrado numa única ponte rolante?
R: O custo de hardware de sensores por ponte rolante (3 sensores de vibração IEPE + 2 sensores de emissão acústica + 1 sensor de óleo online + 1 unidade de aquisição de dados DAU) é de aproximadamente 18.000 a 25.000 CNY, os custos de instalação cerca de 5.000 CNY, e a taxa de serviço da plataforma de dados (incluindo modelos de IA e plataforma em nuvem) cerca de 3.000 a 5.000 CNY por unidade/ano. Para uma frota de 10 pontes rolantes, o investimento total é de aproximadamente 250.000 a 350.000 CNY, com uma média de 25.000 a 35.000 CNY por ponte. Considerando que uma parada não programada de uma ponte rolante metalúrgica na indústria siderúrgica (incluindo perdas de produção, custos de reparo e riscos de segurança) custa entre 100.000 e 300.000 CNY por ocorrência, a prevenção bem-sucedida de uma única falha grave do redutor recupera todo o investimento do sistema.
P: Quais interferências afetam os sensores de emissão acústica em ambiente industrial? Como eliminá-las?
R: As interferências eletromagnéticas (ruído de comutação PWM do inversor de frequência, faíscas das escovas do motor), ruído de fluidos (impacto do fluxo de óleo lubrificante, fluxo de ar do resfriamento) e ruído estrutural (transmissão de vibração de equipamentos adjacentes) são as três principais fontes de interferência no sinal de emissão acústica. As medidas de eliminação incluem: no processamento de sinal, uso de filtro passa-banda para remover o ruído elétrico (abaixo de 10kHz) e filtragem por parâmetros de forma de onda para eliminar ruído de fluxo com duração >1000μs; na instalação, uso de calço de politetrafluoretileno entre o sensor e a carcaça para isolamento elétrico; no algoritmo, discriminação eficaz por comparação de formas de onda de eventos de emissão acústica (a forma de onda de subida rápida com decaimento exponencial de trincas reais difere claramente da forma de onda irregular de ruído) e filtragem por localização espacial (eventos simultâneos detectados por todos os sensores são classificados como ruído e excluídos).
A tecnologia de diagnóstico integrado de vibração, emissão acústica e óleo representa a vanguarda do monitoramento de condição de sistemas de transmissão de pontes rolantes. Através da alta sensibilidade da emissão acústica a trincas microscópicas, da caracterização precisa de frequência de falhas rotativas pela vibração e da medição quantitativa direta de produtos de desgaste pela análise de óleo, as três modalidades complementam-se num quadro de fusão multimodal baseado em IA, elevando o tempo de alerta precoce de falhas em redutores e rolamentos de pontes rolantes de 1 a 2 semanas (análise de vibração tradicional) para 3 a 6 semanas, reduzindo significativamente o risco de paradas não programadas. Para saber mais sobre soluções inteligentes de monitoramento de sistemas de transmissão de pontes rolantes, contacte a equipa técnica da Kelude para obter a solução técnica detalhada e estudos de caso. A Kelude dedica-se a fornecer serviços completos de manutenção inteligente para equipamentos de elevação industrial, desde sensores até diagnóstico por IA e decisões de manutenção.
