Manutenção Preditiva de Ponte Rolante com Big Data e ML

Em sistemas de produção contínua em fábricas inteligentes, o impacto de uma parada não programada do sistema de ponte rolante na capacidade de produção da linha é extremamente significativo — uma falha inesperada numa ponte rolante crítica pode paralisar toda a linha por várias horas, resultando em perdas de produção de dezenas a centenas de milhares de euros. O modelo tradicional de "inspeção periódica + manutenção corretiva" já não satisfaz a exigência de disponibilidade de equipamentos ≥99,5% na produção industrial moderna. A Kelude Indústrias Pesadas desenvolveu um sistema completo de PHM para gestão de saúde de equipamentos, baseado em análise de sinais de vibração, aprendizagem automática e tecnologias de big data industrial, concretizando uma evolução significativa da "manutenção reativa" para a "manutenção preditiva". Este artigo aborda sistematicamente as práticas técnicas da Kelude no domínio do PHM para pontes rolantes, em cinco dimensões: seleção e implantação de sensores, extração de características de sinais, construção de modelos de aprendizagem profunda, implementação de inferência na periferia e integração de engenharia de ponta a ponta.

Seleção de Sensores e Implantação de Pontos de Medição em Pontes Rolantes

A qualidade dos dados do sistema PHM depende da adequação da seleção de sensores e da estratégia de implantação dos pontos de medição. A Kelude Indústrias Pesadas estabeleceu um sistema estruturado de planeamento de pontos de medição, com base nos mecanismos de falha e nas características de vibração dos componentes mecânicos críticos da ponte rolante.

O Sensor de Vibração é a fonte de dados mais importante do sistema PHM. A Kelude recomenda sensores de aceleração do tipo IEPE (sensibilidade de 100 mV/g, resposta em frequência de 2 Hz a 10 kHz), instalados nos seguintes pontos: rolamentos de entrada/saída do redutor de elevação, rolamentos das rodas de deslocamento do carro, lado de acionamento do redutor de deslocamento do carrinho do ponte, mancal de tambor e coroa de giro do elevador. Em cada ponto de medição crítico, é instalado um sensor de aceleração triaxial (direções X/Y/Z), com uma taxa de amostragem de 5120 Hz (satisfazendo o requisito de amostragem de Nyquist para frequências de engrenamento do redutor de 200 a 2000 Hz). A duração da aquisição contínua é de, no mínimo, 30 segundos por ciclo, com intervalos de aquisição definidos de acordo com o grau de importância do equipamento: 1 hora por ciclo (equipamentos críticos classe A) ou 4 horas por ciclo (equipamentos gerais classe B).

Os Sensores de Temperatura utilizam PT100 ou termopares, instalados nos enrolamentos do motor (para monitorizar a taxa de aumento de temperatura), no reservatório de óleo do redutor (para detetar anomalias de lubrificação) e na superfície de fricção do freio (para detetar sobreaquecimento das pastilhas). A gama de medição é de -40 a 200 °C, com precisão de ±0,5 °C e período de amostragem de 10 segundos. Os Sensores de Carga utilizam células de carga ou sensores de tensão de cabo de aço, registando em tempo real as variações de carga em cada ciclo de elevação, acumulando o número e a magnitude das sobrecargas.

A aquisição de parâmetros de processo é realizada através do protocolo PLC, lendo parâmetros operacionais como corrente do motor, frequência de saída do inversor de frequência, velocidade de translação, tempo de trabalho acumulado e número de acionamentos do freio. Todos os dados dos sensores são consolidados no gateway de aquisição na periferia através do barramento de campo e, após encapsulamento via protocolo OPC UA, são integrados na plataforma PHM.

Extração de Características de Sinais de Vibração

O sinal bruto de vibração passa por uma extração sistemática de características antes de se tornar um vetor de entrada utilizável por modelos de machine learning. O pipeline de processamento de sinal da Kelude cobre três domínios: tempo, frequência e tempo-frequência.

Características no domínio do tempo incluem: RMS (reflete o nível geral de energia vibratória; em estado normal, RMS < 2,8 mm/s; em estado de atenção, < 7,1 mm/s; acima deste valor, gera alerta), pico (reflete a intensidade de eventos de impacto), pico a pico, curtose (reflete a agudeza do sinal; valor normal ≈ 3; > 5 quando há desgaste de engrenagem), fator de crista, assimetria e fator de impulso. Estas características são calculadas em tempo real com uma janela deslizante de 1024 pontos (sobreposição de 50%), produzindo um vetor de características por janela.

Características no domínio da frequência são obtidas aplicando uma janela de Hanning ao sinal da janela e executando a transformada FFT para gerar o espectro. As bandas de frequência críticas incluem: banda de frequência de rotação (20–30 Hz, refletindo o estado de equilíbrio do rotor), banda de frequência de engrenamento do redutor (500–700 Hz, refletindo o estado de engrenamento), bandas laterais harmónicas (±50 Hz em torno da frequência de engrenamento, refletindo o grau de desgaste da engrenagem) e a banda de alta frequência (2–5 kHz, refletindo as frequências de ressonância geradas por impactos de falhas incipientes em rolamentos). Na extração de características no domínio da frequência, calculam-se a proporção de energia de cada banda, a frequência do centro de gravidade e o indicador de dispersão de frequência, que servem como entrada para o modelo de classificação subsequente.

Características no domínio tempo-frequência utilizam a transformada de Fourier de curta duração (STFT, com janela de 256 pontos e sobreposição de 75%), gerando espectrogramas para o modelo CNN. Para sinais de impacto de alta frequência provenientes de rolamentos, recorre-se adicionalmente à análise de envelope para extrair as frequências características de falha no espectro demodulado.

Arquitetura dos Modelos de Deep Learning

O sistema PHM da Kelude adota uma estratégia de fusão de múltiplos modelos, selecionando a arquitetura de deep learning mais adequada para cada tarefa de diagnóstico.

Modelo de classificação de falhas — utiliza arquitetura 1D-CNN (rede neural convolucional unidimensional). A entrada consiste em 1024 pontos de sinal bruto de vibração, processados por duas camadas Conv1D-BatchNorm para extração de características, seguidas de uma camada totalmente conectada que produz a classificação em 4 categorias (normal/desgaste de engrenagem/falha de rolamento/desalinhamento de eixos). A primeira camada usa kernel de tamanho 7 com 32 canais; a segunda, kernel de tamanho 7 com 64 canais. A taxa de Dropout é de 0,3 para prevenir overfitting. Este modelo atinge 97,2% de precisão de classificação no conjunto de dados reais da Kelude, com latência de inferência de apenas 4,5ms no Jetson Orin NX, satisfazendo os requisitos computacionais de diagnóstico em tempo real na borda. Após o treino, o modelo é exportado via ONNX e implantado na borda, sem depender do ambiente de execução PyTorch durante a inferência.

Modelo de previsão de tendências — utiliza arquitetura de rede neural recorrente LSTM/GRU. A entrada consiste em séries temporais de valores RMS de vibração e tendências de temperatura dos últimos 30 dias (1 ponto de amostragem por dia), prevendo a tendência de degradação para os próximos 7 dias. A estrutura do modelo é composta por duas camadas GRU (unidades ocultas 12864) seguidas de camada de saída totalmente conectada. O treino utiliza janelas deslizantes para construção de amostras (janela de 30 dias para entrada, janela de 7 dias para previsão), com função de perda MAE. Este modelo emite alertas de degradação com 3 a 7 dias de antecedência, proporcionando uma janela adequada para o planeamento de ações de manutenção.

Modelo de deteção de anomalias — utiliza arquitetura GRU-Autoencoder. O modelo é treinado exclusivamente com dados de estado normal, aprendendo o padrão de compressão-reconstrução do sinal de vibração saudável. Quando o sinal de entrada se desvia do padrão normal (erro de reconstrução superior ao limiar), um alerta de anomalia é acionado automaticamente. Este modelo é particularmente eficaz na deteção de novos tipos de falha não rotulados, colmatando a lacuna dos modelos de aprendizagem supervisionada, que não conseguem cobrir "falhas desconhecidas".

Modelo de previsão de vida residual — utiliza modelo de regressão XGBoost. As características de entrada incluem 15 dimensões, tais como tendência histórica de RMS de vibração, taxa de elevação de temperatura, tempo de operação acumulado, número de sobrecargas e taxa de desgaste das pastilhas de travão. A saída é a vida útil residual (RUL) expressa em "dias de operação". O modelo é treinado com os dados históricos de manutenção acumulados pela Kelude, apresentando um erro absoluto médio de ±12 dias na previsão de RUL.

Inferência na Borda e Atualização dos Modelos

A implantação da inferência dos modelos PHM segue uma arquitetura híbrida de "inferência em tempo real na borda + treino incremental na nuvem". Na borda, os modelos são implantados no computador industrial da ponte rolante ou em servidores MEC ao nível da oficina, executando modelos otimizados via ONNX, com latência de inferência controlada abaixo de 10ms, garantindo capacidade de diagnóstico em tempo real. Na nuvem, executa-se o pipeline completo de treino, que recebe dados rotulados e novas amostras de falhas enviados pela borda, atualiza periodicamente os parâmetros do modelo e os distribui à borda via OTA diferencial.

A atualização dos modelos utiliza uma estratégia de aprendizagem incremental: a nuvem mantém as estatísticas das características dos dados históricos de treino, e cada atualização utiliza apenas os novos dados para fine-tuning, sem necessidade de retreino completo. O ciclo de atualização é quinzenal, com atualização de emergência acionada quando a precisão do diagnóstico de falhas permanece consistentemente abaixo de 90%. Um retreino completo é executado trimestralmente para garantir que o modelo mantenha o desempenho ideal durante a operação e manutenção de longo prazo.

Sistema de Pontuação de Saúde do PHM

Para agregar os resultados de diagnóstico multidimensional num indicador intuitivo do estado do equipamento, a Kelude desenvolveu um modelo de pontuação de saúde abrangente com ponderação em seis dimensões, numa escala de 0 a 100 pontos, correspondente a quatro graus de saúde.

As dimensões de pontuação e respetivos pesos são: pontuação de tempo de operação (peso 20%, decaimento linear ao longo da vida útil de projeto de 30000 horas), pontuação de sobrecarga (peso 20%, dedução de 5 pontos por cada sobrecarga), pontuação de desgaste das pastilhas de travão (peso 20%, dedução de 1 ponto por cada 1% de taxa de desgaste), pontuação de desgaste do cabo de aço (peso 15%, sem dedução para taxas de desgaste inferiores a 7%, dedução de 20 pontos por cada 1% acima desse valor), pontuação de temperatura do redutor (peso 10%, dedução de 2 pontos por cada 1°C acima de 70°C) e pontuação de vibração do motor (peso 15%, dedução de 20 pontos por cada 1mm/s acima de 2,8mm/s). Uma pontuação global ≥85 corresponde ao estado "Saudável" (luz verde), 60~84 a "Atenção" (luz amarela), 35~59 a "Aviso" (luz laranja) e <35 a "Crítico" (luz vermelha, exigindo paragem imediata para manutenção).

Para além da pontuação global, o sistema gera uma sub-pontuação de saúde independente para cada componente crítico — índice de saúde do motor de elevação, índice de saúde do redutor, índice de saúde do freio, índice de saúde do cabo de aço e índice de fadiga estrutural. Quando qualquer sub-pontuação desce abaixo dos 50 pontos, o sistema gera automaticamente uma ordem de manutenção e envia-a para o dispositivo móvel da equipa de manutenção. A notificação inclui a localização da falha (especificando o ponto de medição exato), o tipo de falha (falha de rolamento / desgaste de engrenagem / desalinhamento de eixos), o nível de gravidade e a janela de tempo recomendada para a intervenção.

Caso de implementação e resultados reais

O sistema PHM da Kelude Indústrias Pesadas foi implementado numa grande siderúrgica, abrangendo a gestão da saúde de 16 pontes rolantes na sua oficina de aciaria. O projeto instalou 192 pontos de medição de vibração (12 pontos críticos por ponte rolante), 48 pontos de medição de temperatura (3 por ponte rolante) e 16 nós de computação de borda (1 Jetson Orin NX por ponte rolante). A latência média de inferência do modelo de classificação de falhas no edge é de 5,2 ms, com uma precisão de 96,8%.

Os dados de 12 meses de operação revelam: as paradas não programadas caíram de uma média anual de 37 antes da reforma para 8 (uma redução de 78,4%), o tempo de resposta médio de manutenção diminuiu de 6,2 horas para 1,5 horas, e os custos de inventário de peças de reposição foram reduzidos em 32% (graças à previsão precisa em vez de sobreaprovisionamento). O sistema emitiu alertas antecipados para 11 falhas críticas (incluindo 3 falhas de rolamento do redutor, 4 degradações de enrolamento do motor, 2 desgastes excessivos das pastilhas de freio e 2 roturas de fios do cabo de aço), proporcionando à equipa de manutenção uma janela média de preparação de 5,3 dias. Considerando uma redução de perdas de produção de 150.000 CNY por parada não programada, o benefício económico anualizado é de aproximadamente 4.350.000 CNY, com um período de retorno do investimento de cerca de 10 meses.

Durante a implementação, a Kelude Indústrias Pesadas identificou três lições fundamentais: primeiro, a localização e o método de fixação dos pontos de medição de vibração afetam diretamente a qualidade do sinal — recomenda-se a fixação rígida com parafusos M6 em vez de bases magnéticas, para evitar atenuação do sinal e artefactos de folga; segundo, o treino do modelo requer pelo menos 6 meses de dados históricos de vibração que cubram as variações de temperatura e humidade das quatro estações, evitando falsos alarmes sazonais; terceiro, o valor do sistema PHM depende de processos de manutenção complementares — os alertas devem estar integrados com o sistema de ordens de manutenção, caso contrário permanecem apenas no painel sem se traduzirem em ações concretas.

Perguntas Frequentes (FAQ)

Leitura complementar

Leitura complementar: Visão por computador e implementação edge com Jetson | Telemanutenção 5G e computação de borda | Processo completo de fabrico de pontes rolantes