Diagnóstico de Falhas com IA em Ponte Rolante: Análise 1D-CNN

O motor de ponte rolante é responsável por mais de 30% das avarias do equipamento — desgaste do rolamento, rutura de barras do rotor, curto-circuito no estator: qualquer uma destas falhas afeta diretamente a produção. Na maioria das fábricas, a estratégia de manutenção do motor continua a ser "substituir quando avariar": só se desliga a máquina quando o motor emite fumo ou dispara a proteção, e uma paragem não planeada custa entre alguns milhares e dezenas de milhares de CNY.

O diagnóstico de falhas por IA não é novidade, mas antes dependia sobretudo de sistemas especialistas (regras + limiares), com elevada taxa de falsos alarmes e fraca adaptabilidade. Nos últimos dois anos, a aplicação de redes 1D-CNN (redes neuronais convolucionais unidimensionais) à análise de sinais de vibração tem dado resultados notáveis — o sensor de vibração é fixado no mancal do motor, o sinal captado é alimentado diretamente no modelo, sem extração manual de características, e o modelo aprende sozinho os padrões de falha. Cada motor é equipado com 2 a 3 sensores, a inferência é executada num computador industrial, e um sistema gere 10 a 20 motores.

Este artigo apresenta a solução completa, desde a seleção do sensor até à implementação do modelo. O investimento em hardware é de 20.000 a 60.000 € (incluindo sensores + placa de aquisição + computador industrial), e as perdas evitadas com uma única paragem não planeada por ano, por motor, cobrem o investimento.

Arquitetura do sistema de diagnóstico de motores

O sistema de diagnóstico por IA para motores está estruturado em quatro camadas:

Seleção e Instalação de Sensores

Sensor de Vibração: Recomenda-se acelerômetro piezoelétrico tipo IEPE, sensibilidade de 100mV/g, faixa de medição de ±50g, resposta de frequência de 0,5 a 10kHz. Posição de instalação: mancal do lado da transmissão (1 radial + 1 axial), mancal do lado não acionado (1 radial). Método de fixação: fixação por parafuso ou base magnética — a base magnética é prática, mas limita a frequência máxima (cerca de 2kHz), enquanto a fixação por parafuso permite chegar a 10kHz. Recomenda-se a fixação por parafuso, embora exija mais 10 minutos de trabalho, a qualidade do sinal em altas frequências é significativamente superior.

Sensor de Corrente: Transformador de Corrente tipo alicate, precisão classe 0,5, faixa de medição selecionada a 1,5 vezes a corrente nominal do motor. Instalação no cabo de alimentação trifásico, para detecção de variações harmônicas de corrente causadas por barras rotóricas fraturadas.

Parâmetros principais do sensor:

3. Conceção e Treino do Modelo 1D-CNN

A principal vantagem da 1D-CNN reside na sua capacidade de processar diretamente os sinais brutos de vibração no domínio do tempo (1024 pontos/quadro), eliminando a necessidade de extração manual de características, como a transformada de FFT ou de wavelet. A arquitetura da rede é a seguinte:

import torch.nn as nn class MotorCNN1D(nn.Module): def __init__(self, num_classes=4): super().__init__() self.conv1 = nn.Sequential( nn.Conv1d(1, 16, kernel_size=64, stride=8), nn.ReLU(), nn.MaxPool1d(2)) self.conv2 = nn.Sequential( nn.Conv1d(16, 32, kernel_size=32, stride=4), nn.ReLU(), nn.MaxPool1d(2)) self.conv3 = nn.Sequential( nn.Conv1d(32, 64, kernel_size=16, stride=2), nn.ReLU(), nn.AdaptiveAvgPool1d(1)) self.fc = nn.Linear(64, num_classes) def forward(self, x): x = self.conv1(x) x = self.conv2(x) x = self.conv3(x).squeeze() return self.fc(x)

Configuração do conjunto de dados de treino: condição normal de funcionamento + três tipos de falhas (desgaste de rolamento, rutura de barras do rotor e curto-circuito no estator), com 2000 amostras por categoria (1024 pontos/quadro), divididas numa proporção de 7:2:1 para os conjuntos de treino, validação e teste. Hiperparâmetros de treino: batch=64, lr=0.001, epochs=100, otimizador Adam. O treino foi concluído em aproximadamente 15 minutos numa RTX3060, alcançando uma precisão de 96,8% no conjunto de teste.

# código de inferência model.eval() with torch.no_grad(): output = model(sensor_data.unsqueeze(0).unsqueeze(0)) pred = torch.argmax(output, dim=1).item() confidence = torch.softmax(output, dim=1)[0][pred].item() classes = {0: "normal", 1: "desgaste de rolamentos", 2: "quebra de barras do rotor", 3: "curto-circuito no estator"} print(f"Diagnóstico: {classes[pred]} (confiança: {confidence:.1%})")

4. Modos de Falha e Características

5. Pontos-chave da Implementação do Projeto

1. A taxa de amostragem não é sinónimo de melhor qualidade. A informação útil do sinal de vibração do motor concentra-se abaixo dos 10 kHz, pelo que uma taxa de amostragem de 25,6 kHz é suficiente (2,56 vezes o critério de Nyquist). Taxas mais elevadas aumentam exponencialmente o volume de dados sem melhorar a precisão do modelo — pelo contrário, podem degradá-la, uma vez que introduzem ruído de alta frequência.

2. A localização da instalação determina a qualidade dos dados. A amplitude do sinal pode variar de 3 a 5 vezes entre um sensor montado diretamente no Mancal e outro montado na lateral da carcaça do motor. Após fixar a posição de instalação, esta não deve ser alterada, caso contrário, a deriva da linha de base pode causar falsos alarmes.

3. A variação da velocidade de rotação exige normalização. O motor de ponte rolante utiliza Controle de Velocidade por Frequência, com velocidades de rotação entre 100 rpm e 1500 rpm. A mesma falha manifesta-se com frequências de vibração diferentes a velocidades distintas. Solução: aplicar Análise de Ordem (Order Tracking) a cada amostra, mapeando o espetro do domínio da frequência absoluta para o domínio da ordem.

4. Não depender apenas da vibração. O Diagnóstico de Falhas combinado (vibração + corrente) é cerca de 5 pontos percentuais mais preciso do que a vibração isolada. Por exemplo, a rutura de barras do rotor é mais evidente no sinal de corrente do que no de vibração. Recomenda-se pelo menos 1 Sensor de corrente por motor.

5. Recolher dados periodicamente para atualizar o modelo. Recomenda-se que, mensalmente, novas amostras de operação normal sejam adicionadas ao conjunto de treino para aprendizagem incremental, permitindo que o modelo se adapte continuamente à tendência de Envelhecimento do equipamento.

Perguntas Frequentes

Conclusão

Com o assistente de operação baseado em IA, o retorno do investimento no Diagnóstico de Falhas por IA para motores é o mais elevado entre todas as iniciativas de modernização inteligente de pontes rolantes. O custo de sensores e aquisição de dados por motor é inferior a 3000 CNY (cerca de €384), mas permite prever falhas com 1 a 3 meses de antecedência. Numa oficina com 12 pontes rolantes, durante 8 meses de operação, foram previstas atempadamente falhas de Rolamento em 4 motores, sem qualquer falso alarme ou falha não detetada.

Leitura complementar: Diagnóstico de Falhas em Redutor de ponte rolante — o motor e o Redutor são duas faces da mesma moeda no sistema de transmissão da ponte rolante: o Diagnóstico de Falhas por IA no motor cobre falhas de Rolamento, rotor e estator no lado de acionamento, enquanto o diagnóstico do Redutor cobre o lado do engrenamento. Ambos partilham a mesma plataforma de computador industrial e arquitetura de aquisição de sensores, pelo que se recomenda a implementação conjunta.