Telemanutenção para Ponte Rolante Alcança 200 Equipamentos

A implantação em larga escala da plataforma remota de operação e manutenção é o principal indicador da maturidade do sistema. Desde o lançamento da plataforma, o número de equipamentos conectados tem crescido de forma constante, ultrapassando 200 pontes rolantes em monitoramento online até o fechamento desta edição, abrangendo quatro setores — metalurgia, construção naval, fabricação de equipamentos pesados e novas energias — em 18 províncias e municípios. Os dados operacionais da plataforma indicam que a taxa de precisão do alerta precoce com IA atingiu 95%, com mais de 1.800 alertas antecipados de anomalias em equipamentos, evitando mais de 300 paradas não programadas e gerando uma economia estimada em mais de 20 milhões de CNY em perdas de produção para os clientes. Este artigo apresenta um relato sistematizado em quatro dimensões: a curva de crescimento do número de equipamentos conectados, o percurso de melhoria da precisão dos alertas, casos típicos de alerta precoce e a análise dos dados operacionais.

Crescimento da base instalada e distribuição setorial

Desde o lançamento, a plataforma passou por três fases: no primeiro mês, foram conectadas 12 pontes rolantes (todas de clientes em fase de teste); entre o 2.º e o 3.º mês, foram adicionadas 53 (fase de divulgação por recomendação, com novos clientes provenientes principalmente de indicações dos clientes iniciais); entre o 4.º e o 6.º mês, foram integradas 135 (fase de expansão em escala, com a incorporação do canal de distribuidores).

A distribuição setorial dos 200 equipamentos conectados é a seguinte: metalurgia, com 87 unidades (43,5%), tendo como principal alvo de monitoramento as pontes rolantes para içamento e transporte de bobinas de aço e as pontes de fundição; fabricação de equipamentos pesados, com 52 unidades (26%), abrangendo cenários de montagem de grandes componentes e içamento de moldes; construção naval, com 38 unidades (19%), para monitoramento de pontes rolantes em oficinas de blocos e regiões de carreiras; e novas energias, com 23 unidades (11,5%), atendendo ao içamento de moldes de pás eólicas e ao transporte de vidro solar. Quanto ao tipo de equipamento, a distribuição é: 158 pontes rolantes tipo ponte (79%) e 42 guindastes de pórtico (21%). A capacidade de carga varia de 5t a 200t, abrangendo toda a gama, com equipamentos desde recém-saídos de fábrica até pontes rolantes antigas com mais de 15 anos de serviço.

Percurso de melhoria da precisão do alerta precoce com IA

A precisão do alerta precoce com IA é o indicador de desempenho mais crítico da plataforma remota de operação e manutenção — definida como a proporção de alertas corretos em relação ao total de alertas emitidos (um alerta correto é aquele cuja anomalia no equipamento é confirmada por verificação manual). Nos estágios iniciais, a precisão era de aproximadamente 78%; após três iterações do modelo e otimização de parâmetros, atingiu os atuais 95%:

Primeira iteração (1.º ao 2.º mês, precisão de 78% a 83%): o modelo inicial de detecção de anomalias, baseado no algoritmo de isolamento de florestas, foi treinado em conjuntos de dados laboratoriais. Ao ser aplicado a dados reais de fábrica, revelou dois problemas: o ruído ambiente da oficina (interferência da corrente de soldagem, harmônicas do inversor de frequência) causava erros de julgamento em múltiplos parâmetros; e a diferença entre as referências de parâmetros de pontes rolantes antigas e novas provocava desvio na linha de base do modelo. A introdução do filtro de Kalman (KF, covariância do ruído do processo Q=0,01, covariância do ruído de medição R=0,1) na etapa de pré-processamento eliminou o ruído de alta frequência dos sensores, elevando a precisão em 5 pontos percentuais. Paralelamente, foi estabelecido um modelo de linha de base de parâmetros independente para cada ponte rolante (utilizando os dados operacionais das primeiras 72 horas como referência inicial, com atualização automática a cada 24 horas), evitando o problema de desvio decorrente da utilização de uma base comum entre equipamentos distintos.

Segunda iteração (3.º ao 4.º mês, precisão de 83% a 89%): o modelo de isolamento de florestas de parâmetro único foi substituído por um modelo de detecção de anomalias por correlação multiparamétrica, utilizando um autoencoder (dimensão de entrada de 36 parâmetros, dimensão do codificador de 12, treinamento com epoch=200 e taxa de aprendizado de 0,001) para reconstruir o estado operacional multidimensional da ponte rolante, avaliando a anomalia pelo erro de reconstrução (MSE). O modelo de autoencoder é capaz de capturar eficazmente anomalias de correlação entre múltiplos parâmetros (como a combinação de "aumento da corrente do motor de elevação + flutuação da tensão do cabo de aço + elevação lenta da temperatura do freio", que indica desgaste do freio — dificilmente detectável pelo monitoramento de um único parâmetro). A precisão aumentou 6 pontos percentuais, mas surgiu uma taxa de falsos alarmes de cerca de 2%, atribuída ao sobreajuste do modelo — resolvido com a adição de regularização L2 (coeficiente 0,01) e dropout (dropout_rate=0,2).

Terceira iteração (5.º ao 6.º mês, precisão de 89% a 95%): foi introduzido um mecanismo de otimização em circuito fechado com feedback de manutenção. Após o tratamento de cada alerta, o cliente registra o resultado na plataforma (falha real / falso alarme / em observação), e a plataforma reutiliza mensalmente esses dados anotados para re-treinar o modelo. Nos primeiros seis meses, foram coletados 1.938 registros de feedback anotados, dos quais 1.483 eram amostras positivas (falhas reais) e 455 negativas (falsos alarmes). Após o ajuste fino do modelo de autoencoder por transferência de aprendizado com esses dados anotados, a precisão atingiu 95%. Os dados operacionais atuais do modelo em 200 equipamentos indicam uma média de 15 a 25 alertas diários, dos quais cerca de 14 a 24 são corretos e aproximadamente 1 é falso alarme, mantendo a taxa de falsos alarmes abaixo de 5%.

Casos típicos de alerta precoce com IA

Dentre os mais de 1.800 eventos de alerta precoce registrados, três casos se destacam pelo tempo de antecipação e pelo valor significativo na prevenção de perdas:

Caso 1: Alerta de trinca na gaiola de rolamento do motor de elevação. Em uma ponte rolante de 32t de uma empresa siderúrgica, o modelo de IA da plataforma detectou, às 2h15 do dia 12 de julho, picos intermitentes nos parâmetros de vibração do motor de elevação (a aceleração vibratória saltou de 1,2m/s² para 4,8m/s², retornando após aproximadamente 0,3 segundos, com repetição a intervalos de cerca de 15 minutos). O modelo de IA classificou o padrão como característica inicial de elementos rolantes passando por uma região de trinca e emitiu um alerta de nível Crítico. O engenheiro de campo confirmou, às 8h do mesmo dia, com um analisador portátil de vibrações, a presença de uma trinca radial na gaiola de rolamento do lado do acionamento do motor. A empresa contatou o fabricante do motor e a substituição de rolamentos foi concluída em 3 dias, evitando o colapso da gaiola que teria causado o arraste do rotor no estator — se a falha não tivesse sido detectada a tempo, teria resultado na queima do enrolamento do estator e em mais de 3 dias de parada, com perda direta estimada em cerca de 450.000 CNY. O alerta antecipou o evento em aproximadamente 68 horas.

Caso 2: Alerta de trinca por fadiga em cordão de solda da viga principal. Em uma ponte rolante de 100t com 12 anos de serviço de uma empresa de construção naval, o módulo de análise de tendências da plataforma detectou um aumento da flecha da viga principal de 14,2mm para 15,8mm no meio do vão em 30 dias, com uma taxa de crescimento três vezes superior à linha de base histórica. A plataforma classificou a situação como anomalia estrutural e emitiu um alerta de nível Aviso. A inspeção realizada por uma entidade terceirizada, utilizando ensaio ultrassônico e ensaio por partículas magnéticas (MT), identificou uma trinca por fadiga longitudinal de 85mm de comprimento (profundidade de aproximadamente 3mm) no cordão de solda de filete entre a mesa inferior e a alma da viga principal. Se o defeito tivesse se propagado para além de 200mm, poderia ter comprometido a resistência estrutural da viga principal. De acordo com o registro de manutenção subsequente e o cálculo de resistência estrutural, o alerta evitou uma parada do equipamento e custos de reparação por soldagem estimados em cerca de 280.000 CNY.

Caso 3: Alerta de envelhecimento térmico do módulo IGBT do inversor de frequência. Em um guindaste de pórtico de 50t de uma empresa de fabricação de equipamentos pesados, a regra de associação da plataforma foi acionada — a combinação tripla de "temperatura elevada do radiador do inversor de frequência (acima de 75°C por 3 dias consecutivos) + aumento do teor de harmônicas na corrente de saída do inversor (THD subiu de 4,5% para 8,2%) + oscilação da velocidade de translação do ponte (desvio superior a 5% entre a velocidade definida e a velocidade real)". A plataforma diagnosticou deriva das características de comutação do módulo IGBT devido a envelhecimento térmico. Após a substituição do módulo IGBT pelo engenheiro de campo, a medição por termografia do novo radiador indicou uma redução da temperatura de 82°C para 56°C. Sem a substituição em tempo hábil, o IGBT teria entrado em curto-circuito por ruptura térmica em cerca de 2 semanas, exigindo a substituição completa do inversor de frequência (custo de aproximadamente 38.000 CNY) e causando 2 dias de parada. O alerta antecipou o evento em 10 dias.

Análise de dados operacionais e benefícios para o cliente

Com base nas estatísticas de dados operacionais de 200 equipamentos conectados durante 6 meses, os resultados globais de eficiência da plataforma são os seguintes: a plataforma processa em média cerca de 1,5 milhões de registos de dados por dia (aproximadamente 7.500 registos por ponte rolante, incluindo parâmetros de estado, dados de vibração e eventos de alerta), gerando uma média diária de cerca de 20 alertas válidos, dos quais aproximadamente 25 mensais de nível Critical (grave), cerca de 180 mensais de nível Warning (aviso) e cerca de 400 mensais de nível Info (informativo).

Em termos de benefícios para o cliente, a taxa de paradas não programadas dos equipamentos diminuiu de uma média mensal de 4,2% antes da integração para 1,5% após a integração, uma descida de cerca de 64%. O tempo médio de reparação (MTTR) foi reduzido de 6,8 horas para 2,1 horas. O custo médio mensal de manutenção por ponte rolante (incluindo peças de reposição e mão de obra) baixou de aproximadamente 3.500 yuan para cerca de 1.800 yuan. Considerando os 200 equipamentos, a poupança mensal em manutenção é de aproximadamente 340.000 yuan, o que equivale a uma poupança anual de cerca de 4 milhões de yuan. A taxa de renovação dos clientes (estatísticas de renovação a 6 meses) é de 92%, e a pontuação de satisfação do cliente (NPS) é de 68 pontos, uma melhoria de 6 pontos face aos 62 pontos registados no lançamento inicial.

Perguntas frequentes (FAQ)