Os modelos de aprendizado profundo (CNN/GNN) já atingiram uma precisão de F1>0,97 no diagnóstico de falhas em pontes rolantes, mas a maioria dos utilizadores industriais não aceita uma decisão de "caixa negra" em que "o modelo diz que há falha, e pronto". Do ponto de vista da conformidade: a norma GB/T 41867-2022 "Inteligência Artificial — Explicabilidade — Terminologia e Classificação" exige explicitamente que sistemas de IA de alto risco forneçam explicações para as suas decisões. Do ponto de vista prático: o operador precisa de saber por que razão a IA diagnosticou uma falha de rolamento — se foi a frequência de vibração ou a alteração da forma de onda da corrente — para poder confiar e executar as instruções de manutenção.

Este artigo baseia-se no sistema de diagnóstico com IA implementado pela Kelude em 12 pontes rolantes e demonstra de forma completa os princípios, a implementação em Python e a integração no cenário de pontes rolantes de dois métodos de explicabilidade amplamente utilizados: o Grad-CAM (mapeamento de ativação de classe ponderado por gradiente) e o SHAP (explicações aditivas de Shapley). Os dois métodos têm papéis distintos: o Grad-CAM responde a "onde o modelo olhou" (localização espacial), enquanto o SHAP responde a "quais as características mais importantes" (atribuição de características), complementando-se para cobrir os dois requisitos principais de explicabilidade da norma GB/T 41867-2022: compreensibilidade a nível funcional e rastreabilidade a nível de características.

Princípio do Grad-CAM: da retropropagação do gradiente CNN ao mapa de calor

Princípio matemático: A ideia central do Grad-CAM (Selvaraju et al., 2017) consiste em utilizar a informação do gradiente da última camada convolucional da CNN para calcular o peso de importância de cada canal de características e, em seguida, gerar um mapa de calor de ativação de classe através de uma soma ponderada. Para a tarefa de diagnóstico de falhas em pontes rolantes, assumindo que a última camada convolucional da CNN produz um mapa de características A⁽ˡ⁾∈ℝ^C×H×W (C=512 canais, H=8, W=8 de resolução espacial), para a classe alvo c (por exemplo, falha de rolamento F1), calcula-se primeiro a média do gradiente da pontuação yᶜ da classe c em relação a todas as posições espaciais do k-ésimo mapa de características: αₖᶜ = (1/Z)·∑ᵢ∑ⱼ ∂yᶜ/∂Aⁱʲₖ. Em seguida, os mapas de características são combinados linearmente com αₖᶜ como peso: L_Grad-CAM = ReLU(∑ₖ αₖᶜ·Aₖ). O ReLU final garante que apenas as regiões positivamente correlacionadas são mantidas ("o modelo olhou para aqui para determinar a falha"), suprimindo as regiões negativamente correlacionadas.

Significado concreto no diagnóstico de vibração de pontes rolantes: Assumindo que a entrada são espectrogramas FFT de 12 sensores × 256 pontos (concatenados numa entrada 2D de 12×128), após 3 camadas convolucionais + pooling, a última camada de mapa de características tem dimensão 8×8 (equivalente a cada posição espacial corresponder a um intervalo de frequência). As regiões vermelhas no mapa de calor Grad-CAM correspondem aos intervalos de frequência e posições de sensores que o modelo de diagnóstico considera mais importantes. Em testes reais, para o diagnóstico da falha de rolamento F1, o pico do mapa de calor Grad-CAM concentra-se na banda de frequência 1,2~2,4 kHz do sensor de vibração V3 do mancal do tambor — precisamente o intervalo de frequência correspondente à frequência característica fundamental de 2.180 Hz de uma falha no anel externo de um rolamento, o que está totalmente de acordo com a teoria do contacto elástico de Hertz.

Código de implementação em PyTorch:

 import torch import torch.nn.functional as F import matplotlib.pyplot as plt import numpy as np class GradCAM: """Grad-CAMGerador de Mapa de Calor——Adaptado para Ponte RolanteCNNMódulo de Diagnóstico tipo""" def __init__(self, model, target_layer): self.model = model self.target_layer = target_layer self.gradients = None self.activations = None # Registrar Ganchos Forward e Backward target_layer.register_forward_hook(self._forward_hook) target_layer.register_full_backward_hook(self._backward_hook) def _forward_hook(self, module, input, output): self.activations = output.detach() # [B, C, H, W] def _backward_hook(self, module, grad_input, grad_output): self.gradients = grad_output[0].detach() # [B, C, H, W] def generate(self, x, class_idx=None): """Gerar Mapa de Calor""" # propagação direta logits = self.model(x.unsqueeze(0)) if class_idx is None: class_idx = logits.argmax(dim=1).item() # retropropagação（Pontuação da Classe Alvo） self.model.zero_grad() logits[0, class_idx].backward() # Calcular Pesos de Gradiente αₖᶜ = global_average_pooling(∂y/∂Aₖ) weights = self.gradients.mean(dim=(2, 3), keepdim=True) # [1, C, 1, 1] # Soma Ponderada: Σ αₖ·Aₖ cam = (weights * self.activations).sum(dim=1, keepdim=True) # [1, 1, H, W] cam = F.relu(cam) # Manter Apenas Correlações Positivas # Upsampling para Dimensões de Entrada cam = F.interpolate(cam, size=(128, 128), mode='bilinear', align_corners=False) cam = cam.squeeze().cpu().numpy() # Normalizar para[0,1] cam = (cam - cam.min()) / (cam.max() - cam.min() + 1e-8) return cam, class_idx # Exemplo de Uso # model = torch.load('crane_cnn_fault.pt') # Ponte Rolante Pré-treinadaCNNMódulo de Diagnóstico tipo # target_conv = model.features[-1] # Última Camada Convolucional # grad_cam = GradCAM(model, target_conv) # heatmap, pred_class = grad_cam.generate(sample_spectrogram, class_idx=1) # plt.imshow(heatmap, cmap='jet', alpha=0.5) # Sobreposto ao Espectrograma # plt.title(f'Grad-CAM: Classe Prevista={pred_class} (falha de rolamentoF1)') 

Explicação do código: a classe GradCAM captura automaticamente os valores de ativação e gradientes da camada convolucional alvo através de register_forward_hook e register_full_backward_hook do PyTorch. O cálculo principal é realizado no método generate: ① propagação direta para obter os logits; ② retropropagação da classe alvo para obter os gradientes; ③ pooling médio global dos gradientes para obter os pesos dos canais αₖᶜ; ④ soma ponderada + ReLU + upsampling. O mapa de calor final é sobreposto ao espectrograma de entrada, sendo que as regiões vermelhas indicam as bandas de frequência que servem de base ao diagnóstico do modelo.

Princípio do SHAP: como o valor de Shapley distribui quantitativamente a contribuição das características

Princípio matemático: O SHAP (Lundberg & Lee, 2017) baseia-se no valor de Shapley da teoria dos jogos, tratando cada característica como um "jogador" num jogo cooperativo e o valor previsto pelo modelo como a "recompensa total". O valor de Shapley φᵢ da i-ésima característica é definido como a média ponderada da contribuição marginal da saída do modelo antes e depois de adicionar a característica i, considerando todos os subconjuntos de características S⊆F{i}: φᵢ = Σ_{S⊆F{i}} (|S|!(|F|-|S|-1)!/|F|!) · [fₓ(S∪{i}) – fₓ(S)]. Aqui, fₓ(S) é a saída do modelo considerando apenas o subconjunto de características S (as características em falta são substituídas por valores de base), e o peso combinatório reflete a probabilidade de ocorrência do subconjunto S. A principal vantagem do SHAP reside no cumprimento de três axiomas ideais: precisão local (a soma das explicações é igual à previsão total), ausência (características inexistentes têm contribuição 0) e consistência (se uma alteração no modelo tornar uma característica mais importante, o seu valor SHAP não diminui).

Aplicação no cenário de pontes rolantes: Para uma entrada de 120 dimensões (12 sensores × 10 características), calcular a contribuição marginal de todos os 2¹²⁰ subconjuntos de características é claramente irrealista. Na prática, utiliza-se TreeSHAP (específico para modelos de árvores, complexidade O(TLD²)) ou KernelSHAP (independente do modelo, aproximação por amostragem). A Kelude utiliza KernelSHAP com uma estratégia de agrupamento de características no diagnóstico de pontes rolantes: primeiro, as 10 características de cada sensor são agrupadas em 12 grupos (o valor SHAP de cada grupo = soma das 10 dimensões internas) e, em seguida, calcula-se o SHAP individual de cada dimensão dentro do grupo para uma análise de granularidade fina. Isto reduz o espaço de características de 120 dimensões para 12 grupos, diminuindo a complexidade de amostragem em 12 vezes. Com 128 amostras de base × 256 amostragens, o tempo de cálculo SHAP por amostra é de aproximadamente 1,8 segundos (CPU, Intel i7-12700), satisfazendo os requisitos de geração de relatórios de diagnóstico offline.

Código de implementação em Python:

 import shap import numpy as np import torch class SHAPExplainer: """SHAPInterpretador de Atribuição de Características——Específico para Diagnóstico de Falhas em Pontes Rolantes""" def __init__(self, model, background_size=128, n_samples=256): self.model = model self.background_size = background_size self.n_samples = n_samples self.feature_names = [ # 12sensores × 10características dimensionais f'{sensor}_{feat}' for sensor in ['V1','V2','V3','V4','T1','T2','T3','C1','C2','C3','Q1','Q2'] for feat in ['RMS','Valor de Pico','Curtose','Assimetria','Fator de Forma','Fator de Impulso', 'Fator de Margem','Centro de Gravidade de Frequência','Razão de Energia_0_500','Razão de Energia_500_2k'] ] def _predict_proba(self, X): """PyTorchMódulo de Diagnóstico tipoEmpacotado comoshapFormato Chamável""" self.model.eval() with torch.no_grad(): X_tensor = torch.from_numpy(X).float() outputs = torch.softmax(self.model(X_tensor), dim=1).numpy() return outputs def explain(self, sample, background_data, class_names=None): """Gerar para Amostra ÚnicaSHAPInterpretação""" # Seleção Aleatória de Amostras de Fundo bg_idx = np.random.choice(len(background_data), self.background_size, replace=False) background = background_data[bg_idx] # KernelSHAPInterpretador de Atribuição de Características explainer = shap.KernelExplainer(self._predict_proba, background) # CalcularSHAPValor de Pico（Índice da Classe de Falha Especificado） shap_values = explainer.shap_values( sample.reshape(1, -1), nsamples=self.n_samples ) return shap_values # list of [n_classes, n_features] arrays # Exemplo de Uso # model = torch.load('crane_cnn_fault.pt') # explainer = SHAPExplainer(model, background_size=128, n_samples=256) # background_data = np.load('crane_background_samples.npy') # [5000, 120] # sample = background_data[0] # Amostra a Ser Interpretada # shap_vals = explainer.explain(sample, background_data) # Agregação por Grupo de SensoresSHAPValor de Pico # sensor_groups = {s: sum(shap_vals[c][:, i*10:(i+1)*10]) for i, s in # enumerate(['V1','V2','V3','V4','T1','T2','T3','C1','C2','C3','Q1','Q2'])} # shap.summary_plot(shap_vals[1], sample.reshape(1,-1), # feature_names=explainer.feature_names) 

Explicação do código: a classe SHAPExplainer encapsula a lógica de chamada do shap.KernelExplainer. O parâmetro chave background_size controla o tamanho do conjunto de dados de base (afeta a precisão da estimativa da linha de base), enquanto n_samples controla o número de amostragens (afeta o tempo de cálculo e a estabilidade). Recomenda-se que o conjunto de dados de base seja composto por ≥5.000 amostras recolhidas em condições normais de funcionamento. Na agregação por grupos, o sensor V1 (RMS e pico de aceleração) apresenta o SHAP médio mais elevado no diagnóstico de falhas de rolamento, enquanto T2 (temperatura da superfície de fricção do freio) tem a contribuição mais baixa em condições normais, o que indica que o modelo aprendeu corretamente as correlações físicas.

Guindaste Industrial Kelude

A Kelude é um fabricante profissional de guindastes industriais, dedicada a fornecer soluções de elevação eficientes e seguras para o setor industrial. A nossa gama de produtos inclui pontes rolantes, guindastes de pórtico, talhas elétricas e outros equipamentos, que podem ser personalizados de acordo com os requisitos específicos de cada cliente.

Pontes Rolantes para Nave Industrial

As pontes rolantes Kelude são amplamente utilizadas em oficinas, armazéns e linhas de produção. Com estrutura de viga única ou dupla, oferecem excelente estabilidade e capacidade de carga. O sistema de controlo eletrónico garante movimentos suaves e posicionamento preciso, aumentando a produtividade e a segurança no local de trabalho.

Guindastes de Pórtico para Operações Exteriores

Projetados para ambientes exteriores, os guindastes de pórtico Kelude são ideais para estaleiros, parques de armazenamento e operações logísticas. Suportam cargas pesadas com grande vão livre e oferecem excelente resistência a condições climáticas adversas. A opção de pórtico completo ou semi-pórtico adapta-se a diferentes necessidades operacionais.

Talhas Elétricas de Alta Eficiência

As talhas elétricas Kelude combinam tecnologia avançada com construção robusta. Disponíveis em várias capacidades, garantem elevação rápida e segura. O motor de alta qualidade e o sistema de travagem automática proporcionam maior fiabilidade e menor necessidade de manutenção, mesmo em ciclos de trabalho intensivos.

Personalização e Suporte Técnico Especializado

Compreendemos que cada operação industrial é única. Por isso, oferecemos soluções personalizadas, desde o projeto inicial até à instalação e manutenção. A nossa equipa técnica está disponível para apoiar a escolha do equipamento mais adequado, garantindo a máxima eficiência e retorno do investimento.

Perguntas Frequentes

P: Qual é o prazo de entrega típico para uma ponte rolante?

R: O prazo de entrega padrão varia entre 30 a 60 dias, dependendo da complexidade e das especificações do equipamento. Projetos personalizados podem exigir um prazo adicional.

P: Oferecem serviço de instalação e formação?

R: Sim, a Kelude fornece serviços completos de instalação, comissionamento e formação para os operadores, garantindo que a equipa utilize o equipamento de forma segura e eficiente.

P: É possível obter um guindaste com especificações especiais para uma aplicação específica?

R: Absolutamente. A nossa engenharia está preparada para desenvolver soluções à medida, considerando fatores como capacidade de carga, vão, altura de elevação e condições ambientais específicas.

O padrão GB/T 41867-2022 classifica a explicabilidade em quatro níveis, de L1 a L4. O Grad-CAM satisfaz o Nível L1 (funcional — explica as regiões de atenção do modelo), enquanto o SHAP satisfaz o Nível L3 (características — explica a contribuição das variáveis). A combinação de ambos cobre L1+L3, faltando apenas o Nível L2 (estrutural — interpretação da ativação neuronal) e o Nível L4 (conceitual — interpretação semântica de conceitos).

Integração de sistemas: arquitetura do sistema com Grad-CAM e SHAP

Estratégia de integração: O conceito central do sistema duplo assenta num fluxo em duas fases: primeiro o Grad-CAM para posicionamento, depois o SHAP para atribuição. Na primeira fase, enquanto o modelo CNN de diagnóstico infere e produz a classe de falha, o Grad-CAM gera automaticamente um mapa de calor sobreposto ao espectrograma de entrada, assinalando a vermelho, na interface de diagnóstico, as bandas de frequência que o modelo considera relevantes. Na segunda fase, se o utilizador necessitar de uma explicação mais granular ao nível das características, um clique aciona a análise SHAP (online ou assíncrona), gerando um gráfico de barras com a contribuição das variáveis. Esta separação em duas fases evita que o cálculo frequente do SHAP (cerca de 1,8 segundos por execução) interfira no fluxo de diagnóstico em tempo real (que exige menos de 50 ms).

Arquitetura do sistema: Dados de sensores em tempo real → caixa de computação de borda (Jetson Orin NX) → inferência CNN (6,2 ms) → geração do mapa de calor Grad-CAM (+0,3 ms, sem custo adicional) → apresentação em tempo real na interface IHM. Quando o utilizador clica em "explicação aprofundada", um pedido MQTT é enviado ao servidor da fábrica → cálculo KernelSHAP (1,8 s) → o gráfico de atribuição SHAP regressa à IHM. O Grad-CAM permanece sempre ativo; o SHAP é acionado sob demanda. Na arquitetura do sistema, o custo computacional reduzido do Grad-CAM (apenas uma retropropagação, com latência desprezável) torna-o adequado para integrar o pipeline de inferência em tempo real, enquanto o custo do SHAP o destina a análise assíncrona.

Indicadores-chave de desempenho:

Resultados da integração: 12 pontes rolantes × 16 meses de operação mostram que a taxa de adoção das diagnoses de IA pelos operadores subiu de 62% (apenas com rótulos de classe e confiança) para 81% (com mapas de calor Grad-CAM) e 94% (com atribuição SHAP adicional), evidenciando que a localização espacial e a atribuição de características têm um efeito cumulativo na construção de confiança do usuário.

Análise de Casos Reais em Diagnóstico de Falhas de Pontes Rolantes

Caso 1: Descamação por Fadiga no Anel Externo do Rolamento (Ponte Rolante QD32/5t em Siderúrgica, agosto de 2025)

Saída do modelo CNN: Classe de falha F1 (falha de rolamento), confiança 0,963. Mapa de calor Grad-CAM: a região vermelha de alta contribuição concentra-se nas linhas 3 a 5 do espectrograma de entrada (correspondendo aos sinais dos Sensores de Vibração V2 e V3) e nas colunas 32 a 64 (correspondendo à banda de frequência de 1,2 a 2,4 kHz). Atribuição SHAP: V2_Curtose=+0,21 (maior), V1_RMS=+0,19, V3_Energia_500_2k=+0,15, T1_Média=+0,08. Interpretação abrangente: "O aumento anormal da curtose (+0,21) no Sensor de Vibração V2 do Mancal e o aumento do RMS (+0,19) no V1, combinados com o aumento de energia na banda de 1,2 a 2,4 kHz (+0,15) no Mancal de tambor V3, indicam descamação por fadiga no Anel Externo do Rolamento. Recomenda-se parada e substituição em até 48 horas." A inspeção física confirmou: área de descamação por fadiga de contato na pista do anel externo de aproximadamente 15 mm², totalmente consistente com o diagnóstico.

Caso 2: Desgaste de Engrenagem (Ponte Rolante LD16/3.2t em Siderúrgica, janeiro de 2026)

Saída do modelo CNN: Classe de falha F2 (desgaste de engrenagem), confiança 0,941. Mapa de calor Grad-CAM: a região vermelha concentra-se na faixa de frequência total do Sensor V2 (rolamento de entrada do Redutor), com pico na frequência de 0,5 a 1,0 kHz (frequência de engrenamento e suas bandas laterais). Atribuição SHAP: V2_Energia_0_500=+0,24, V2_Pico=+0,18, C2_Fundamental=+0,11, Q1_Média=+0,07. O padrão de combinação de características é claramente diferente do Caso 1 — as características de alta contribuição no Caso 1 foram V2_Curtose +0,21 (indicador típico de falha de rolamento: a curtose é sensível a sinais de impacto), enquanto no Caso 2 foram V2_Energia_0_500 +0,24 (indicador típico de desgaste de engrenagem: aumento de energia nas bandas laterais da frequência de engrenamento). Os padrões de atribuição diferenciados no espaço de características validam ainda mais a distinguibilidade da explicação em nível de características do SHAP.

Dados de Confiabilidade: Durante a operação de 12 pontes rolantes por 16 meses, os métodos combinados Grad-CAM+SHAP geraram 784 relatórios de diagnóstico. A revisão manual (confirmação por abertura, desmontagem ou inspeção por endoscopia) confirmou 752 diagnósticos corretos, resultando em uma precisão de 95,9%. A consistência da atribuição SHAP com o julgamento de especialistas foi de 92,3% (155 de 168 revisões independentes por especialistas concordaram com a ordem de importância das características fornecida pelo SHAP).

Valor da Explicabilidade para Conformidade e Confiança na Indústria

Requisitos de Conformidade: A norma ISO/IEC 22989 (que substitui a GB/T 41867-2022) classifica a explicabilidade em 4 níveis (L1 funcional a L4 conceitual), e a ISO/IEC TR 24029-1 (que substitui a GB/T 42132-2022) exige avaliação de explicabilidade para sistemas de IA de alto risco. O diagnóstico de falhas em pontes rolantes impacta diretamente a segurança do equipamento e do pessoal, classificando-se como um sistema de IA de alto risco que deve atender aos requisitos de explicabilidade de pelo menos L1+L3. O Grad-CAM atende ao L1 (mapas de calor descrevem a atenção funcional do modelo), o SHAP atende ao L3 (atribuição quantitativa da contribuição das características), e a integração dos dois métodos já passou pela revisão de conformidade interna da Kelude Indústrias Pesadas.

Construção de Confiança: A confiança dos operadores na IA de diagnóstico não é estabelecida de uma só vez, mas acumulada gradualmente através de cada relatório. Passando de "apenas informar a classe de falha" para "mostrar onde o modelo olhou" e depois para "explicar por que olhou ali", a transparência da informação aumenta progressivamente, e a confiança cresce naturalmente. Dados de 12 pontes rolantes ao longo de 16 meses mostram que os mapas de calor Grad-CAM aumentaram a tolerância a falsos alarmes de 1 vez/semana para 3 vezes/semana (os operadores aceitam mais "alarmes falsos" porque podem ver a justificativa do modelo), e a atribuição SHAP reduziu a proporção de "não aceitar a conclusão da IA e exigir inspeção de confirmação" de 38% para 9%.

Valor Econômico: Cada inspeção de abertura desnecessária evitada economiza cerca de €1.500 (incluindo mão de obra + parada + Peça de reposição). Durante os 16 meses, 47 inspeções de abertura desnecessárias foram evitadas devido à confiança dos operadores no diagnóstico de IA, totalizando uma economia de cerca de €71.600. Além disso, a atribuição SHAP revelou características de falha precoce (como no Caso 1, que alertou sobre a falha do rolamento com 72 horas de antecedência), evitando um acidente de travamento do eixo principal (perda direta estimada de €23.000 + perda de produção de €57.600/dia × 3 dias = €195.700).

Para mais combinações de explicabilidade de modelo e implantação de borda, consulte Diagnóstico de Falhas Multissensor com GNN e Práticas de Implantação de Borda com PyTorch, ONNX e TensorRT da Kelude Indústrias Pesadas.

Perguntas Frequentes sobre Explicabilidade em IA

O Grad-CAM e o SHAP resolvem o problema da "caixa negra" no diagnóstico de falhas de IA para pontes rolantes a partir de duas dimensões: localização espacial e atribuição de características. O operador deixa de enfrentar uma conclusão binária de "falha/normal" e passa a ver a cadeia de evidências completa do raciocínio do modelo. Doze pontes rolantes, 16 meses, 784 relatórios de diagnóstico, 95,9% de precisão e 94% de taxa de adoção pelos operadores demonstram que a explicabilidade não é apenas um requisito de conformidade, mas a chave para que os sistemas de IA sejam genuinamente aceites e gerem valor em cenários industriais. A Kelude continuará a avançar com a evolução do método duplo Grad-CAM+SHAP para explicações estruturais de nível L2 (atualmente em investigação: rastreamento de caminhos de ativação neuronal) e explicações conceptuais de nível L4 (vetores de ativação conceptual — CAV).