Plataforma de diagnóstico de ponte rolante com alerta multimodal
A plataforma de diagnóstico hiperconvergente para pontes rolantes integra três subsistemas — termografia infravermelha, inspeção aérea com drone e diagnóstico integrado de vibração, acústica e óleoica e óleo — num sistema de monitorização unificado, permitindo a deteção precoce e a localização precisa de falhas através da análise colaborativa de sinais de múltiplas fontes.
De acordo com os requisitos de gestão de saúde de equipamentos definidos na norma ISO 4301 (equivalente à ISO 4301 / FEM 1.001, especificação de projeto para guindastes) e na GB/T 28264-2017 — Sistema de Monitoramento e Gestão de Segurança para Equipamentos de Elevação, os modos de falha dos componentes críticos de uma ponte rolante são diversos e inter-relacionados: o desgaste da engrenagem do redutor gera vibrações anormais e partículas metálicas no óleo, o envelhecimento do enrolamento do motor provoca aumento localizado de temperatura, e trincas na Viga Principal são difíceis de detetar a olho nu em altura. Nenhum método de inspeção isolado cobre todos os tipos de falha. A Kelude Indústrias Pesadas apresenta a plataforma de diagnóstico hiperconvergente KL-DIAG-4000, que integra termografia infravermelha, inspeção multi-sensor por drone e diagnóstico por fusão de vibração, som e óleo numa única plataforma de dados centralizada. Esta abordagem garante o alinhamento temporal e espacial de sinais de múltiplas fontes e permite alertas colaborativos, aumentando significativamente a precisão e a abrangência do diagnóstico.
Arquitetura Geral do Sistema de Diagnóstico para Pontes Rolantes
O sistema KL-DIAG-4000 adota uma arquitetura de três camadas: a camada de perceção é composta por uma câmera termográfica (resolução 640×480, NETD<30mK), um compartimento multi-sensor para drone (câmera visível 4K + termografia 640×512 + LiDAR), acelerómetros de vibração (tipo IEPE, resposta de frequência 0.5Hz~10kHz) e sensores online de óleo (contagem de partículas + viscosidade + teor de água). A camada de fusão de dados opera num gateway de computação de borda (NXP i.MX 8M Plus, 4 núcleos Cortex-A53 + 2 núcleos Cortex-M7), executando algoritmos de sincronização de tempo e fusão de características. A camada de aplicação envia dados para a nuvem via 4G/5G, oferecendo dashboards, alertas e análise de tendências.
Os dados de cada subsistema são adquiridos a taxas de amostragem variadas (10Hz~1kHz). O gateway de borda utiliza o protocolo IEEE 1588v2 (PTP) para sincronização de precisão de submicrossegundos, garantindo que os carimbos de tempo das imagens de vibração e infravermelhas estejam alinhados. Todos os dados são armazenados na base de dados de séries temporais InfluxDB. Cada ponte rolante gera aproximadamente 2.8GB de dados brutos por dia, que são comprimidos na borda para cerca de 120MB diários.
Após a extração de características na borda, apenas vetores de características e eventos de alerta são enviados para a nuvem, reduzindo drasticamente a pressão na largura de banda da rede industrial da oficina. Por exemplo, numa siderúrgica, após a integração de 12 pontes rolantes na plataforma KL-DIAG-4000, o gateway de borda envia cerca de 1.4GB de dados por dia (em comparação com ~33.6GB/dia de dados brutos). Cada gateway consome apenas 12W (dissipação passiva de calor, sem ventoinhas), está alojado numa caixa IP65 e suporta as variações extremas de temperatura e vibração do ambiente. A plataforma suporta os protocolos industriais Modbus TCP, OPC UA e MQTT, sendo compatível com os principais PLCs (Siemens S7-1200/1500, Rockwell ControlLogix, Mitsubishi FX5U), facilitando a integração com sistemas MES e SCADA existentes.
Diagnóstico de Temperatura por Termografia Infravermelha
O módulo de termografia infravermelha consiste numa câmera fixa (instalada acima da Cabine do Operador, campo de visão 67°×52°) e uma câmera termográfica portátil para inspeção. O sistema efetua uma varredura automática dos principais componentes elétricos e mecânicos da ponte rolante a cada 4 horas. Utilizando um modelo de segmentação semântica baseado na arquitetura U-Net, o sistema identifica automaticamente 38 áreas críticas de medição de temperatura (ROIs), incluindo a Caixa de junção do motor, o radiador do Inversor de Frequência, o revestimento de fricção do Freio e as Juntas de Cabo. Os limites de temperatura para cada ROI são definidos automaticamente com base na Especificação técnica do equipamento.
Se a taxa de aumento de temperatura numa ROI exceder 5°C/hora ou a temperatura absoluta ultrapassar o limite (por exemplo, ≥130°C para o enrolamento do motor, de acordo com o limite de isolamento classe F da IEC 60085), o sistema aciona um alerta e guarda o vídeo termográfico desse período. Os dados de operação real mostram que este módulo pode fornecer um alerta precoce de 48 a 72 horas para o pré-aquecimento do rolamento do motor. Os dados infravermelhos também participam na decisão de fusão multi-fonte, cruzando com características de vibração para reduzir falsos alarmes.
A câmera termográfica está equipada com uma lente de focagem motorizada (distância focal 25mm, campo de visão 24°×18°), proporcionando uma resolução espacial de aproximadamente 0.6mm por pixel a uma distância de trabalho de 15m, suficiente para distinguir terminais de fios sobreaquecidos e pontos quentes localizados no Anel Externo do rolamento. Cada inspeção gera um termograma que é automaticamente arquivado no histórico do equipamento, permitindo a comparação de tendências: os operadores podem visualizar a curva de temperatura da mesma ROI nos últimos 30, 90 ou 180 dias, sobreposta com a linha de correção da Temperatura Ambiente (com base nos dados do Sensor de Temperatura ambiente da oficina). Isto permite identificar aumentos de temperatura anómalos causados por falhas, em vez de variações sazonais. O algoritmo de alerta de diferença de temperatura integrado baseia-se nos dois níveis de limiar recomendados pela ISO 18434-1: Δt≥5°C (comparação com ponto simétrico) e Δt≥8°C (comparação com a linha de base histórica).
Inspeção Aérea com Drone e Sensores Múltiplos
O módulo de sensores múltiplos, montado num drone quadricóptero (DJI Matrice 350 RTK), integra uma câmara de luz visível 4K, uma câmara térmica de 640×512 e um LiDAR Livox Mid-360. O drone executa inspeções automáticas ao longo de uma rota tridimensional pré-definida, cobrindo a flange superior da viga principal, as zonas de ligação das vigas de extremidade, o trilho do carro, a linha de alimentação e o cabo de aço. A navegação é totalmente autónoma, baseada em GPS diferencial RTK (precisão de posicionamento centimétrica) e num modelo BIM previamente estabelecido, sem necessidade de intervenção humana.
As imagens são processadas em tempo real pelo modelo de deteção de objetos YOLOv8, que identifica automaticamente áreas de delaminação do revestimento, afrouxamento de parafusos (através da transformada de Hough para detetar desvios angulares na cabeça do parafuso) e rutura de fios do cabo de aço (por análise de textura superficial com método de varrimento linear). Os dados da nuvem de pontos LiDAR são utilizados para detetar desvios de retilineidade do trilho (exigência normativa ≤2mm/m, conforme ISO 12488-1) e variações da contraflecha da viga principal. Cada inspeção gera um relatório estruturado com o tipo de defeito, coordenadas de localização (referenciadas ao sistema de coordenadas do guindaste) e grau de risco. O ciclo típico de inspeção é mensal, com uma duração aproximada de 15 minutos por ponte rolante.
Os relatórios de inspeção são automaticamente comparados com dados históricos, assinalando novos defeitos e a evolução de defeitos existentes. Para áreas de delaminação do revestimento, o sistema utiliza um algoritmo de segmentação de imagem (DeepLabV3+) para calcular a percentagem de área afetada e gerar curvas de tendência — quando a área delaminada numa determinada zona cresce mais de 20% entre duas medições consecutivas, o sistema classifica a situação como aceleração da falha do revestimento e recomenda tratamento anticorrosivo antecipado. A curva de variação da contraflecha da viga principal é igualmente um dado crítico para a manutenção preditiva: de acordo com a FEM 1.001, a contraflecha no meio do vão deve situar-se entre 0,9/1000 e 1,4/1000 do vão. Quando a contraflecha medida por LiDAR é inferior a 0,5/1000 ou a taxa de diminuição excede 0,1/1000/ano, é acionado um alerta. A plataforma KL-DIAG-4000 integra estes indicadores de saúde estrutural com dados de vibração e infravermelhos num painel unificado de monitorização do equipamento.
Diagnóstico Integrado de Vibração, Acústica e Óleo
O diagnóstico integrado de vibração, acústica e óleo constitui o motor central de diagnóstico do sistema. Sensores de aceleração IEPE (PCB 352C33, faixa de medição ±50g) são instalados no redutor, no motor e no mancal de tambor para aquisição de sinais de vibração. Paralelamente, um sensor de óleo online (Parker Kittiwake KS10) é montado na base do redutor para monitorizar em tempo real a contagem de partículas metálicas, a viscosidade e o teor de humidade do óleo. A análise de vibração segue os quatro níveis de severidade da ISO 10816-3:2009 (≤1,8/1,8~4,5/4,5~11,2/≥11,2 mm/s para equipamentos Classe I), com extração de características no domínio da frequência (energia das bandas laterais de 1× e 2× na FFT) e no domínio do tempo (fator de curtose, fator de impulso).
Quando a severidade da vibração ultrapassa o limiar amarelo (4,5 mm/s) e, simultaneamente, a concentração de partículas ferromagnéticas no óleo excede 2000 partículas/mL, o sistema classifica a condição como desgaste precoce das engrenagens (em vez de falha de rolamento), com um nível de confiança ≥0,85. Este mecanismo de validação cruzada vibração-óleo reduz a taxa de falsos alarmes de aproximadamente 18% (diagnóstico unidimensional) para cerca de 4% (diagnóstico integrado). O módulo executa uma análise completa a cada 12 horas, com um ciclo de processamento de aproximadamente 8 minutos (incluindo aquisição de pulsos de vibração, amostragem de óleo e inferência de IA).
Mecanismo de Alerta Precoce Multifonte e Avaliação de Resultados
O alerta precoce colaborativo da plataforma integrada utiliza um algoritmo de fusão de evidências multinível. Cada submódulo calcula independentemente uma pontuação de probabilidade de falha (0–1), seguida de fusão ao nível da decisão através da teoria de evidências de Dempster-Shafer (D-S) ponderada. Os coeficientes de ponderação são ajustados dinamicamente com base na confiança diagnóstica de cada submódulo para modos de falha específicos — por exemplo, para desgaste de engrenagens: peso de vibração 0,45, peso de óleo 0,40, peso de infravermelhos 0,10, peso de drone 0,05.
Numa implementação piloto em seis guindastes de fundição de 32t numa siderurgia, o sistema gerou 42 alertas durante um período operacional de seis meses. Destes, 35 foram confirmados como sinais reais de falha após paragem para verificação (taxa de precisão de 83,3%), enquanto 7 foram falsos alarmes (principalmente falsos positivos de infravermelhos causados por variações bruscas de temperatura ambiente). Em comparação com o diagnóstico unidimensional tradicional, o tempo médio de alerta precoce do diagnóstico integrado aumentou de 7,2 dias (apenas vibração) para 12,5 dias (uma melhoria de 73,6%). Com base nos dados de diagnóstico da plataforma, a Kelude Indústrias Pesadas otimiza continuamente os modelos algorítmicos e disponibiliza trimestralmente pacotes de atualização da plataforma aos clientes.
| Diagnóstico Cenário | Unidimensional Diagnóstico Precisão | Fusão Diagnóstico Precisão | Tempo de antecipação de alerta |
|---|---|---|---|
| Engrenagem do redutor Desgaste | 71.3% | 89.7% | 14~21Dia |
| rolamento do motor Pré-aquecimento | 65.8% | 86.2% | 48~72Hora |
| Cabo de Aço Ruptura de cabo | 78.4% | 91.5% | Imediato |
| Trilho Retilineidade Fora de tolerância | 82.1% | 94.3% | Imediato(Inspeção) |
| Viga Principal Trinca | 58.6% | 82.9% | 7~14Dia |
| Médio | 71.2% | 88.9% | — |
Perguntas Frequentes
P: Que vantagens oferece a plataforma de diagnóstico integrado de quatro modalidades em comparação com a aquisição separada de três sistemas independentes?
R: A principal vantagem reside no efeito de sinergia de dados. Três sistemas independentes possuem cada um os seus próprios coletores de dados, canais de upload e interfaces de gestão, impossibilitando a sincronização temporal e a correlação de características entre sistemas — quando o sensor de vibração indica uma anomalia, o drone de inspeção pode ainda estar a carregar. Com a sincronização de base de tempo unificada do KL-DIAG-4000, quando o Sensor de Vibração deteta um impacto anómalo, o sistema pode recuperar automaticamente as imagens termográficas e os dados de partículas de óleo do mesmo momento, gerando uma cadeia de evidências completa para o diagnóstico. Além disso, o custo de implementação da plataforma unificada é cerca de 35% inferior ao de três sistemas independentes (partilha de hardware do gateway de borda, Alimentação Elétrica e link de comunicação).
P: Como é garantida a fiabilidade e a segurança do voo do drone em ambientes de oficina com ponte rolante, sujeitos a elevada poeira e temperaturas elevadas?
R: Utilizamos o drone industrial DJI Matrice 350 RTK, com Grau de Proteção (IP) IP55 e temperatura de funcionamento entre −20 e +50°C. Antes do voo, as condições ambientais são verificadas automaticamente — o voo é recusado se a velocidade do vento for superior a 8 m/s, se a concentração de poeira exceder 5 mg/m³ ou se a temperatura ultrapassar o intervalo de funcionamento. Durante todo o voo, o radar de prevenção de obstáculos frontal e traseiro (alcance de deteção horizontal 0,5–20 m, vertical 0,5–15 m) permanece ativo, com Desaceleração automática a menos de 2 m da estrutura de aço da ponte rolante. Em caso de perda de sinal RTK ou interrupção do link de controle remoto por mais de 5 segundos, o drone retorna automaticamente ao ponto de partida (função RTH). Em implementações reais em siderúrgicas, foram realizados mais de 1.200 voos sem qualquer incidente de segurança.
P: O sensor de óleo do diagnóstico integrado de vibração, som e óleo requer calibração e manutenção periódicas?
R: O sensor de óleo online Parker Kittiwake KS10 tem um ciclo de calibração de fábrica de 12 meses. O sensor possui uma função de autodiagnóstico interna que executa automaticamente uma verificação de sensibilidade diariamente. A contagem de partículas metálicas utiliza o princípio de bloqueio de luz laser, exigindo Calibração de precisão a cada 3 meses com uma dispersão padrão de partículas (o kit de calibração inclui padrões de 1.000 partículas/mL e 5.000 partículas/mL). A medição de viscosidade utiliza o princípio da microbalança de cristal de quartzo, com Calibração necessária a cada 6 meses. Em condições normais de óleo (grau ≤8 conforme a norma AS 1638), o sensor demonstra excelente fiabilidade operacional contínua, com um tempo médio entre falhas (MTBF) ≥18.000 horas.
P: Que Reforma é necessária nas pontes rolantes existentes para implementar a plataforma de quatro modalidades?
R: As principais intervenções incluem: instalação do gateway de Computação de Borda e do módulo de comunicação 4G/5G no quadro elétrico da ponte rolante (ocupando 2U de espaço em rack); Furação e roscagem nos Mancais do rolamento do motor, nas entradas/saídas do redutor e nos Mancais de tambor para instalação de sensores de vibração IEPE (configuração padrão de 8 a 12 pontos de medição por equipamento); instalação de um circuito de recirculação para o sensor de óleo online na porta de drenagem inferior do redutor; instalação do suporte fixo da câmera termográfica e dos cabos de alimentação/comunicação acima da Cabine do Operador; a importação da rota do drone não requer qualquer modificação na estrutura da ponte rolante. Estas intervenções podem ser concluídas durante a janela de manutenção programada normal (aproximadamente 2 dias), com um tempo de inatividade não superior a 4 horas (ligações do sistema de controle elétrico).
