Gêmeo Digital para Ponte Rolante: Sensores e Manutenção
A tecnologia de sensor virtual com Gêmeo Digital utiliza o modelo dinâmico multicorpo e o modelo de elementos finitos da estrutura da ponte rolante para calcular parâmetros-chave em locais onde não é possível instalar sensores físicos, através de algoritmos de sensor virtual. Combinada com simulação de injeção de falhas, garante uma cobertura abrangente da Manutenção Preditiva.
De acordo com os métodos de avaliação da capacidade de carga de estruturas metálicas definidos na norma ISO 4301 / FEM 1.001, a ponte rolante em operação apresenta diversas áreas críticas onde a instalação de sensores físicos é inviável: a mesa superior no centro do Vão da Viga Principal (obstruída pelo Carro e pelos Trilhos), a extensão total do Cabo de Aço (impossibilitando a colagem de extensômetros a longo prazo) e as superfícies de engrenamento interno do redutor. A tecnologia de sensor virtual com Gêmeo Digital supera esta limitação ao construir um modelo dinâmico multicorpo de alta fidelidade da ponte rolante. Este modelo é alimentado por dados reais de pontos de medição físicos limitados, permitindo a estimativa de parâmetros vitais em locais não instrumentados. A plataforma KL-DT-VS da Kelude Indústrias Pesadas, integrada a um motor de simulação de injeção de falhas, possibilita a Manutenção Preditiva em todo o ciclo de vida do guindaste, desde a fase de projeto até a fase operacional.
Metodologia de Construção do Gêmeo Digital
O Gêmeo Digital da ponte rolante é construído através de uma estratégia de modelagem em múltiplas camadas:
Primeira camada — Modelo dinâmico multicorpo rígido (baseado em Simpack ou ADAMS), incorporando as características dinâmicas do Mecanismo de Translação do Carro, Mecanismo de Translação da Ponte, mecanismo de elevação e do sistema de carga suspensa.
Segunda camada — Modelo de elementos finitos de corpo flexível (baseado em Ansys ou Abaqus), aplicando redução modal (método CMS, considerando os primeiros 30 modos) à estrutura de aço, incluindo Viga Principal, Viga de Extremidade e Estrutura do Carro. Este modelo é integrado ao modelo multicorpo para simulação acoplada rígido-flexível.
Terceira camada — Modelo de lógica de controle (baseado em Simulink), simulando a resposta do Inversor de Frequência, a atuação do Freio e a lógica do Controle por PLC.
A sincronização em tempo real entre o espaço físico e o digital é alcançada através de um Encoder localizado na entrada do redutor, uma placa de aquisição de dados PLC na Cabine do Operador (coletando sinais de Capacidade de Elevação, altura, posição do Carro e posição da Ponte) e sensores de vibração e deformação em 8 pontos de medição críticos. O Gêmeo Digital avança em incrementos de 100 ms, mantendo sincronia com a ponte rolante física. Após a calibração inicial do modelo via identificação de parâmetros, o erro de previsão de força/torque em condições típicas de operação.
Princípio do Algoritmo de Sensor Virtual
O núcleo da sensorização virtual reside na tecnologia de observador de estado baseada no filtro de Kalman. O sistema introduz as medições dos sensores físicos yk (contendo ruído) na equação de estado do modelo de Gêmeo Digital. Através do algoritmo do Filtro de Kalman Estendido (EKF), o vetor de estado completo do sistema x̂k|k é estimado. Subsequentemente, a equação de saída calcula a quantidade física no local do sensor virtual, ŷkvir.
Para a estimativa da deformação virtual na mesa superior do centro do Vão, o algoritmo utiliza medições reais de extensômetros localizados nas Cabeceiras (pontos de medição física). Integrando estes dados com os parâmetros de carga quadridimensionais (Capacidade de Elevação, posição do Carro, posição do Carrinho do Ponte), o método da superfície de influência (Influence Surface Method) é empregue para calcular a tensão máxima no centro do Vão. Em testes de validação numa ponte rolante de 50t/25m de Vão, o desvio entre a tensão máxima calculada pelo sensor virtual e a medição física direta variou entre +4,7% e −6,2%, cumprindo os requisitos de precisão da engenharia. Este algoritmo está implementado no edge da plataforma KL-DT-VS, completando uma iteração de sensor virtual em 1 ms.
A precisão do sensor virtual depende da calibração do modelo de Gêmeo Digital e da disposição racional dos sensores físicos. Desvios na posição de instalação dos extensômetros ou alterações de sensibilidade devido ao calor da soldagem podem induzir erros sistemáticos. A plataforma KL-DT-VS incorpora uma função de autodiagnóstico de saúde do sensor: durante períodos de baixa carga, nas primeiras horas da manhã, um sinal de excitação de amplitude conhecida é injetado ativamente. Comparando o resíduo entre o valor previsto virtualmente e o valor teórico esperado, a saúde de cada sensor físico é avaliada. Se o resíduo de um sensor exceder 2 vezes o RMSE da linha de base em 3 medições consecutivas, o sistema marca automaticamente o sensor como "necessita calibração" e envia uma notificação à equipa de manutenção. Este mecanismo de autoverificação garante a fiabilidade da sensorização virtual ao longo de todo o ciclo de vida do equipamento.
Método de Simulação de Injeção de Falhas
A injeção de falhas por simulação é uma funcionalidade diferenciadora da plataforma KL-DT-VS, que permite às equipas de operação e manutenção injetar ativamente vários tipos de falhas de degradação no espaço digital, observando e aprendendo como os sintomas de falha se manifestam nas respostas dos sensores virtuais. A plataforma suporta a injeção de 12 tipos comuns de falhas em pontes rolantes: trinca por fadiga na viga principal (redução de rigidez de 5% a 30%, com posição selecionável), pitting na engrenagem do redutor (diminuição da rigidez de engrenamento, com sobreposição de função de rigidez de engrenamento variável no tempo e função de impulso), descamação na pista do rolamento (sobreposição de sequência de impactos no caminho de transmissão, com período igual ao inverso da frequência de rotação da gaiola), quebra de fios no cabo de aço (redução da área de secção transversal equivalente, com diminuição linear da rigidez), rutura de barras do rotor do motor (injeção de pulsação de binário, com harmónicas à frequência de 2sf), entre outras.
O operador apenas precisa de selecionar na interface o tipo de falha, o nível de gravidade (leve/moderada/grave) e o momento de injeção. O sistema modifica automaticamente os parâmetros físicos correspondentes no modelo de Gêmeo Digital, gerando sinais realistas de sensores virtuais que contêm as características da falha. Esses sinais são utilizados para treinar modelos de diagnóstico de IA, otimizar definições de limiares e desenvolver planos de inspeção e manutenção. Numa aplicação em 3 Guindastes de Cais (STS) num porto, o modelo de diagnóstico CNN treinado com simulação de injeção de falhas alcançou uma precisão de classificação de 93,8% em cenários de falha real, uma melhoria de 21 pontos percentuais em comparação com o treino realizado apenas com um conjunto limitado de dados medidos.
Plano de Manutenção Preditiva e Percurso de Implementação
O plano de manutenção preditiva baseado em deteção virtual por Gêmeo Digital é implementado em três fases:
Fase 1 (Período de referência, 1 a 3 meses) — instalação de sensores físicos e calibração do modelo de Gêmeo Digital, estabelecendo o arquivo de referência de vibração, deformação e distribuição de temperatura para cada ponte rolante;
Fase 2 (Período operacional, 4 a 12 meses) — operação contínua do modelo de Gêmeo Digital, com a deteção virtual a calcular a acumulação de danos em pontos não medidos. O sistema gera automaticamente o Índice de Saúde do Equipamento (Health Index, HI), numa escala de 0 a 100 (equipamento novo = 100, limiar recomendado para manutenção HI≤60);
Fase 3 (Período de otimização, a partir do 13º mês) — utilização de dados históricos para treinar modelos de previsão de tendências de degradação (com base em rede sequencial LSTM, com janela de entrada de 30 dias, prevendo a tendência de variação do Índice de Saúde para os próximos 14 dias).
Numa empresa de alumínio com 28 pontes rolantes, após a implementação da plataforma KL-DT-VS, o número de paradas não programadas diminuiu de uma média anual de 17 para 3 (82,4%), o custo anual de manutenção reduziu-se de ¥2,86 milhões para ¥1,12 milhões (60,8%) e o Intervalo de Substituição do cabo de aço prolongou-se de uma média de 9 meses para 15 meses (66,7%). A empresa adotou uma abordagem de implementação faseada: no primeiro ano, o foco foi a construção do Gêmeo Digital e a calibração da referência; no segundo ano, a expansão para a totalidade das 28 pontes rolantes e a integração com o sistema ERP; no terceiro ano, o estabelecimento de um painel de gestão de saúde do equipamento a nível de toda a fábrica.
| Critério de Comparação | Manutenção Preventiva Tradicional | Gêmeo Digital Manutenção Preditiva |
|---|---|---|
| Estratégia de Manutenção | Fixação Substituição Periódica/Inspeção | Baseado no Índice de Saúde HIPlanejamento Dinâmico |
| parada não programada | Média Anual15~20vezes/por 100 unidades | Média Anual2~4vezes/por 100 unidades(80%) |
| Peça de reposição Estoque | Estoque de Segurança30%redundância | Sob Demanda Peça de reposição, Reduzir para8%redundância |
| Diagnóstico Taxa de Cobertura | Físico Sensor Cobertura<30%Componente | Cobertura por Sensores Virtuais>85%Componente |
| Base de Conhecimento de Falhas | Dependência da Experiência do Engenheiro | Acúmulo Automático por Injeção de Falhas>12Espectro de Falhas Típicas |
| ROICiclo | — | 12~18Retorno em Meses |
Perguntas Frequentes
P: Como é garantida a precisão do Gêmeo Digital da ponte rolante e com que frequência é necessária a calibração dos Parâmetros do modelo?
R: A precisão inicial do modelo é garantida através da calibração por identificação de Parâmetros — o algoritmo de otimização Bayesian é utilizado para ajustar os Parâmetros físicos críticos (coeficiente de amortecimento, Coeficiente de atrito, Coeficiente de Rigidez, etc.), minimizando o erro quadrático médio (RMSE) entre a resposta do modelo e os valores medidos pelos Sensores físicos. A calibração de referência requer apenas 5 testes de plena carga nas primeiras 2 semanas após a implementação. Posteriormente, uma verificação automática do modelo é executada trimestralmente: os valores medidos pelos Sensores físicos são comparados com as previsões do modelo para o mesmo período. Se o RMSE exceder o limiar de 1,5 vezes o valor da referência inicial, a reidentificação dos Parâmetros do modelo é acionada automaticamente. Os dados operacionais reais mostram que, após um ano de acumulação de dados em todas as condições de operação, a deriva do modelo estabiliza dentro de ±12% do RMSE inicial.
P: A tecnologia de deteção virtual pode substituir completamente os Sensores físicos?
R: Não pode substituir completamente, mas permite uma redução significativa no número de Sensores físicos. O modelo de Gêmeo Digital requer um certo número de pontos de medição físicos como entrada de acionamento e âncoras de verificação. A configuração típica inclui 8 a 16 pontos de medição críticos (vários para deformação, vibração e temperatura), cobrindo as posições-chave da ponte rolante. Com esta base, a deteção virtual pode expandir os pontos de monitorização equivalentes para mais de 200. Sem qualquer Sensor físico, o modelo de Gêmeo Digital sofreria deriva devido à falta de entrada real — um Gêmeo Digital em malha aberta acumularia erros de previsão a níveis inaceitáveis dentro de 24 horas. Portanto, a estratégia adequada é uma arquitetura híbrida de Sensores físicos + deteção virtual, alcançando o equilíbrio ideal entre custo e cobertura.
P: Qual é a diferença entre os dados de falha gerados por simulação de injeção de falhas e os dados de falha reais?
R: A diferença provém principalmente de três aspetos: o Nível de simplificação do modelo de falha (por exemplo, Trincas de Fadiga simplificadas como fatores de redução de Rigidez, sem simular completamente a morfologia bidimensional da propagação da Trinca), as partes não modeladas da não-linearidade do sistema (como a Folga lateral e as características não-lineares de atrito na transmissão da Engrenagem do redutor) e a dispersão de fabrico e Montagem (diferenças nas características dinâmicas entre pontes rolantes do mesmo Modelo, mas de lotes diferentes, devido a Tolerâncias de fabrico). Na validação laboratorial, a precisão dos modelos de Diagnóstico treinados com dados de injeção de falhas, quando testados em dados de falha reais, é de cerca de 80 a 90% da obtida com treino em dados de falha reais. Recomenda-se uma estratégia de aprendizagem incremental: primeiro, treinar o modelo base com dados de injeção de falhas; depois, após integração com dados operacionais reais, realizar um ajuste contínuo. Após 3 a 6 meses de iteração, a precisão pode atingir um Nível equivalente ao do treino com dados reais durante todo o processo.
P: Quais são os prazos de implementação e o período de retorno do investimento da plataforma KL-DT-VS da Kelude?
R: O prazo de implementação para uma única ponte rolante é de aproximadamente 5 a 7 dias úteis: nos dias 1 a 2, são instalados os Sensores físicos e o gateway de Computação de Borda (utilizando a janela de manutenção para parada); nos dias 3 a 4, são realizados os Testes dinâmicos e a Calibração do modelo (incluindo testes de plena carga em 3 condições de operação típicas); no dia 5, são implementados o módulo de simulação de injeção de falhas e o modelo de Diagnóstico de IA; nos dias 6 a 7, é concluída a integração do sistema e a formação em manutenção. Para implementações em lote (mais de 10 unidades), o prazo pode ser reduzido para uma média de 3 a 4 dias úteis por unidade. Período de retorno do investimento: para pontes rolantes de Classe de Funcionamento A7/A8 em aplicações siderúrgicas/portuárias, o custo de implementação do sistema KL-DT-VS por unidade é de aproximadamente ¥80 000 a 120 000, com uma poupança anual esperada em custos de manutenção de ¥150 000 a 250 000 (redução de paradas não programadas + extensão do Intervalo de Substituição de Componentes + redução do stock de Peças de reposição). Assim, o período de ROI é de aproximadamente 12 a 18 meses. O sistema inclui 3 anos de garantia e serviço remoto de manutenção do modelo.
