Previsão da Vida Residual de Pontes Rolantes
Comparação de métodos de previsão de RUL para componentes críticos de pontes rolantes
Tomando o rolamento do eixo de entrada do redutor de ponte rolante como objeto de previsão, comparamos a precisão da previsão de vida residual de quatro modelos de séries temporais — ARIMA (MAPE=19,8%), Prophet (17,5%), LSTM (14,3%) e GRU (15,1%) — na base de dados de vibração do projeto KL-PM-2024 da Kelude (60 pontes rolantes × 24 meses, 1,45 milhões de registos de vibração). O LSTM, com duas camadas de 128 unidades ocultas e mecanismo de atenção, alcançou a melhor precisão, mas o GRU atingiu precisão semelhante com apenas 73% do tempo de treino do LSTM, sendo a opção mais rentável para implementação em engenharia. Este artigo apresenta o método completo de engenharia de características, a arquitetura dos modelos e o processo de treino e avaliação.
A previsão da vida residual (Remaining Useful Life, RUL) de componentes críticos de pontes rolantes — rolamento do redutor, rolamento do motor e rolamento do eixo da roda — é o elemento técnico central da manutenção preditiva. A precisão da previsão de RUL influencia diretamente a otimização dos planos de manutenção e dos níveis de peças de reposição em stock. Este artigo utiliza o rolamento do eixo de entrada do redutor de ponte rolante (rolamento rígido de esferas SKF 6308) como objeto de estudo. Na base de dados de vibração do projeto KL-PM-2024 (60 pontes rolantes × 24 meses de aquisição contínua, frequência de amostragem de 10 kHz, extração diária de 17 características, 1,45 milhões de registos), comparamos sistematicamente a implementação prática e a precisão de previsão de quatro modelos de séries temporais. Plataforma experimental: Intel Xeon Gold 6348 + NVIDIA A10 (24GB) + PyTorch 2.1.0 / Prophet 1.1.5 / statsmodels 0.14.1. O código-fonte e o conjunto de dados anotado podem ser solicitados.
Dados experimentais e engenharia de características
Os dados experimentais provêm do acompanhamento da degradação, durante 24 meses, do rolamento do eixo de entrada do redutor (SKF 6308) de 60 pontes rolantes. O sensor de vibração foi instalado na direção vertical do mancal (PCB 352C33, frequência de amostragem de 10 kHz, aquisição diária de 6,4 segundos = 65.536 pontos). No total, 1,45 milhões de registos, dos quais 80% para treino (48 pontes × 24 meses) e 20% para teste (12 pontes × 24 meses).
Processo de extração de características: remoção de ruído por wavelet do sinal de vibração original (db4, 3 níveis) → espetro FFT (janela de Hanning, 4096 pontos, sobreposição de 50%) → características estatísticas (valor eficaz Vrms, pico, valor pico-a-pico, curtose, assimetria, fator de impulso, fator de folga, fator de crista) → características no domínio da frequência (amplitude BPFI/BPFO, bandas laterais da frequência de engrenamento) → vetor de características de 17 dimensões normalizado (Min-Max, intervalo [0,1]) → construção de janelas deslizantes (janela de entrada de 30 dias, janela de previsão de 30 dias).
Implementação dos quatro modelos de previsão
ARIMA (modelo autorregressivo integrado de médias móveis, implementado com statsmodels 0.14.1): para cada uma das 17 características, o teste ADF determina a ordem de diferenciação d (d=1 para a maioria das características); os gráficos ACF/PACF determinam p e q (p=2~5, q=1~3); o critério AIC seleciona os parâmetros ótimos. O ARIMA é essencialmente um modelo de séries temporais univariado, não conseguindo explorar diretamente a informação cruzada entre múltiplas variáveis.
Prophet (código aberto da Meta, versão 1.1.5): decompõe as características de vibração em componentes de tendência, sazonalidade e efeitos de feriados. Parâmetros definidos: changepoint_prior_scale=0,05, seasonality_prior_scale=10, seasonality_mode=”additive”. A vantagem do Prophet é o tratamento automático de valores omissos e outliers, com elevada tolerância ao ruído típico dos dados industriais.
LSTM (implementação PyTorch 2.1.0): LSTM de duas camadas + Attention, camada oculta com 128 dimensões, entrada de 17 dimensões × 30 dias de passos temporais, saída da curva de degradação para os próximos 30 dias. Parâmetros de treino: otimizador Adam, lr=0.001, Batch=64, Epoch=100, EarlyStopping patience=10, Dropout=0.3. Função de perda: perda mista MSE+MAE (pesos 0.7:0.3).
GRU (mesma implementação PyTorch): GRU de duas camadas + Attention, estrutura idêntica à LSTM, apenas com substituição do tipo de célula. A estrutura de portas do GRU é mais simples (porta de atualização + porta de reset vs. porta de esquecimento + porta de entrada + porta de saída da LSTM), com um total de parâmetros cerca de 75% da LSTM. A velocidade de treino é cerca de 27% mais rápida que a da LSTM.
Comparação de precisão e avaliação de modelos
| Modelo | MAPE(30Dia) | RMSE(Dia) | Tempo de Treinamento | Latência de Inferência | Multivariável (Sim/Não) | Requisitos de Dados |
|---|---|---|---|---|---|---|
| ARIMA | 19.8% | 7.2Dia | ＜1Minuto | ＜1ms | Não(Modelagem por Dimensão) | ≥200Unidade |
| Prophet | 17.5% | 6.4Dia | ~2Minuto | ＜5ms | Não(Modelagem por Dimensão) | ≥100Unidade |
| GRU | 15.1% | 5.5Dia | ~22Minuto | ＜3ms | Sim | ≥5,000Unidade |
| LSTM | 14.3% | 5.2Dia | ~30Minuto | ＜3ms | Sim | ≥5,000Unidade |
Conclusão da avaliação: no indicador MAPE, o LSTM obteve o melhor desempenho (14,3%), seguido de perto pelo GRU com 15,1%, mas o tempo de treino do GRU foi apenas 73% do LSTM (22 min vs 30 min). O Prophet ficou em terceiro lugar com 17,5%, mas não requer GPU e tem a melhor tolerância a falhas (trata automaticamente valores omissos e anomalias), sendo adequado para implementação rápida em cenários industriais. O ARIMA ficou em último lugar com 19,8% e só suporta modelação univariada (na prática, seria necessário executar 17 modelos independentes e integrá-los), não sendo recomendado para cenários com múltiplos sensores.
Recomendações de Implementação Industrial
Com base na comparação acima, apresentam-se as seguintes recomendações de implementação: ① com menos de 1.000 registos e recursos computacionais limitados, escolher Prophet (MAPE≈17,5%, sem necessidade de GPU, boa tolerância a falhas); ② com 5.000 ou mais registos e prioridade na precisão da previsão, escolher LSTM (MAPE=14,3%, o melhor, requer GPU para treino); ③ com 5.000 ou mais registos, mas com recursos limitados no dispositivo de inferência (Computação de Borda/Jetson), escolher GRU (MAPE=15,1%, tamanho do modelo apenas 75% do LSTM, inferência mais rápida); ④ ARIMA deve ser usado apenas como modelo de referência, não sendo recomendado para uso isolado em ambiente de produção.
Estratégia híbrida recomendada: nos projetos de Manutenção Preditiva já implementados pela Kelude, adota-se um esquema de dois modelos — Prophet para deteção rápida de anomalias (execução online) + LSTM para previsão precisa de RUL (cálculo offline em lote). O Prophet atinge MAPE≈17,5% num período de 30 dias; quando a RUL prevista é ≤45 dias, o LSTM é acionado para um cálculo mais refinado, obtendo MAPE≈14,3%, equilibrando o custo computacional e a precisão da previsão.
Validação em Caso Real
Num projeto de Manutenção Preditiva para 6 pontes rolantes de 32t na oficina de laminação a quente de uma siderúrgica (n.º de projeto KL-PM-2024-017), foi implementado o esquema de dois modelos Prophet+LSTM. Após 14 meses de operação real: o Prophet apresentou MAPE=18,2% na deteção precoce da degradação do rolamento do redutor (RUL>60 dias), e o LSTM atingiu MAPE=13,8% na previsão de curto prazo (RUL≤30 dias). O sistema emitiu alertas precoces para 12 eventos de degradação de rolamentos, dos quais 11 coincidiram com a realidade (taxa de precisão de 91,7%), com uma antecedência média de 23 dias. Em comparação com a estratégia tradicional de substituição periódica (substituição fixa a cada 18 meses), a Manutenção Preditiva reduziu as operações de substituição desnecessárias em cerca de 35% e aumentou a rotatividade do stock de peçass de reposição em 40%.
Perguntas Frequentes
P: Porque é que o tempo de treino do GRU é mais curto que o do LSTM, mas a precisão é semelhante?
R: O GRU simplifica as três portas do LSTM (esquecimento/entrada/saída) para duas (atualização/reposição), reduzindo o número de parâmetros em cerca de 25%. Em tarefas de séries temporais de complexidade média, como os dados de degradação por vibração de pontes rolantes, a estrutura de portas simplificada do GRU é suficiente para capturar a tendência de degradação, sem perda significativa de capacidade expressiva. No entanto, os parâmetros adicionais do LSTM ainda oferecem vantagens no tratamento de condições operacionais abruptas (como saltos de vibração causados por mudanças súbitas de carga).
P: É possível melhorar ainda mais a precisão da previsão do Prophet?
R: Sim. Com os parâmetros predefinidos, o Prophet atinge MAPE=17,5%; através das seguintes otimizações, o MAPE pode ser reduzido para cerca de 16,0%: ① especificar manualmente a posição dos pontos de mudança de tendência (com base nos registos de manutenção/paragens); ② ajustar seasonality_prior_scale de 10 para 20 para aumentar a flexibilidade do componente periódico; ③ adicionar regressores adicionais (como taxa média de carga diária e temperatura ambiente). Estas otimizações devem ser adaptadas aos dados operacionais específicos do equipamento.
P: Como implementar modelos LSTM/GRU em dispositivos de borda?
R: Exporte o modelo treinado em PyTorch para o formato TorchScript (ou ONNX), otimize com TensorRT e implemente-o na série NVIDIA Jetson. Tomando o Jetson Orin NX (16GB) como exemplo: após quantização INT8, o tamanho do modelo é de cerca de 3,2MB (o FP32 original tem cerca de 28MB), a latência de inferência é de aproximadamente 0,5ms/amostra e o consumo de energia é de cerca de 10W. Para implementação em CPUs ARM Cortex-A, recomenda-se quantizar o modelo para o formato TFLite INT8, com latência de inferência de cerca de 15ms/amostra.
P: Como escolher o modelo quando a quantidade de dados é inferior a 5.000 registos?
R: Com dados insuficientes, considere a aprendizagem por transferência: utilize o modelo LSTM pré-treinado disponibilizado pela Kelude (treinado em dados de 60 pontes rolantes) como ponto de partida e faça o ajuste fino (Fine-tune) com uma pequena quantidade de dados do equipamento alvo (500~1.000 registos), treinando apenas as duas últimas camadas totalmente ligadas. Após o ajuste fino, o MAPE pode atingir ~16,5%, muito superior ao LSTM treinado de raiz (MAPE>25% com dados insuficientes). O Prophet produz resultados utilizáveis com apenas 100 registos (MAPE≈19%), sendo a primeira escolha para cenários de pequenas amostras.
