Diagnóstico de falhas em ponte rolante: GNN vs métodos tradicionais

A precisão do Diagnóstico de Falhas em pontes rolantes está diretamente relacionada com a segurança de equipamentos e pessoas. As soluções atuais permanecem, na sua maioria, no paradigma de extração de características por sensor independente + classificador tradicional — extraem-se características estatísticas (RMS, pico, desvio padrão, assimetria) de cada sensor de vibração, temperatura e corrente, concatenando-as num vetor de alta dimensão para alimentar uma SVM ou MLP. No entanto, esta abordagem tem um problema fundamental: ignora a correlação estrutural entre sensores. Tomando o mecanismo de elevação como exemplo, existe uma cadeia causal física entre a vibração anómala do Redutor (sensor V3) e a flutuação de corrente do Motor (sensor C2) — desgaste de engrenagens → impacto de engrenamento → flutuação de torque do motor → flutuação de corrente. Esta informação de correlação perde-se completamente nos vetores de características independentes.

As redes neurais de grafos (GNN) modelam o sistema de sensores como uma estrutura de grafo (nós = sensores, arestas = relações físicas/funcionais), agregando automaticamente informação dos nós vizinhos durante o processo de passagem de mensagens, capturando assim as correlações estruturais entre sensores. Este artigo baseia-se na plataforma experimental de diagnóstico de falhas da Kelude Indústrias Pesadas (12 tipos de sensores × 28 pontes rolantes × 3 anos de dados operacionais) para comparar o desempenho de classificação, a interpretabilidade e a eficiência de implementação entre GNN e métodos tradicionais.

Construção do grafo multi-sensor: definição de nós, regras de arestas e matriz de adjacência

Definição de nós: A plataforma de diagnóstico de falhas da Kelude Indústrias Pesadas instala 4 tipos de sensores em cada componente crítico, totalizando 12 nós: Sensores de Vibração V1~V4 (localizados no Mancal do lado de acionamento do Motor de Elevação, no Mancal de entrada do Redutor, no Mancal do tambor e no Mancal da roda de deslocamento do Carro, respetivamente), Sensores de Temperatura T1~T3 (enrolamento do estator do Motor de Elevação, superfície de fricção do Freio e depósito de óleo do Redutor), sensores de corrente C1~C3 (um por fase do Motor de Elevação) e Sensores de Torque Q1~Q2 (nas duas extremidades do eixo do tambor). O sinal bruto de cada sensor é segmentado em janelas deslizantes de 256 pontos, extraindo-se 10 características por janela (RMS, fator de crista, fator de forma, fator de impulso, fator de folga, assimetria, curtose, centro de gravidade de frequência, razão de energia de banda [0~500Hz], razão de energia de banda [500~2000Hz]), formando o vetor de características do nó xᵢ∈ℝ¹⁰.

Estratégia de definição de arestas: O conjunto de arestas E é construído com três regras combinadas — arestas de ligação física (sensores na mesma cadeia de transmissão, como V1-C1-T1 formando a cadeia de monitorização do Motor de Elevação, com peso de aresta w=1,0), arestas de acoplamento funcional (pares de sensores com relação causal, como o acoplamento eletromecânico entre a vibração do Redutor V3 e a corrente do Motor C2, determinado por informação mútua MI≥0,3, com peso w=MIᵢⱼ) e arestas de proximidade espacial (sensores com distância de instalação d≤500mm, com peso inverso à distância w=1/d). O grafo final G=(V,E) contém 12 nós e 38 arestas (18 de ligação física, 12 de acoplamento funcional e 8 de proximidade espacial), com densidade de grafo ρ=2|E|/(|V|(|V|-1))=0,576.

Matriz de adjacência A: De dimensão 12×12, com Aᵢⱼ=wᵢⱼ (valor do peso quando existe aresta) e Aᵢⱼ=0 (sem aresta; os auto-laços i=j são adicionados no pós-processamento). A matriz de adjacência é sujeita a normalização simétrica:  = D^(-½)·A·D^(-½), onde D é a matriz de graus. Os valores próprios de  normalizada situam-se em λ∈[-1,1], garantindo a estabilidade numérica do treino da GNN.

Fonte: Especificação de Implementação de Sensores da Plataforma de Diagnóstico de Falhas de Ponte Rolante da Kelude (KL-SEN-DEP-2025 Rev.3) e registos de implementação de 28 pontes rolantes. Cada sensor foi submetido a calibração metrológica antes da instalação (validade ≤ 12 meses), com os certificados de calibração arquivados para referência.

Arquiteturas GCN e GAT: Mecanismo de Propagação de Mensagens com PyG

Redes Convolucionais em Grafos (GCN): Propostas por Kipf & Welling em 2016, a operação central consiste na agregação normalizada de características dos nós vizinhos: H⁽ˡ⁺¹⁾ = σ(·H⁽ˡ⁾·W⁽ˡ⁾). A arquitetura experimental da Kelude utiliza três camadas GCN: camada de entrada (12×64, ReLU + Dropout p=0.3), camada oculta (64×128, ReLU + Dropout p=0.3) e camada de saída (128×4, Softmax). Cada camada aplica uma agregação com a matriz de adjacência normalizada simétrica Â, equivalente a uma operação de pooling médio local sobre sensores espacialmente próximos. O número total de parâmetros totalmente conectados é (12×64)+(64×128)+(128×4)=9.344 parâmetros treináveis, com uma latência de inferência de 3,2 ms por amostra (NVIDIA RTX 3060).

Redes de Atenção em Grafos (GAT): Introduzidas por Velickovic et al. em 2018, incorporam um mecanismo de atenção que atribui um coeficiente de atenção aprendível αᵢⱼ a cada aresta: αᵢⱼ = softmaxₓ(LeakyReLU(aᵀ·[W·hᵢ∥W·hⱼ])), com a agregação definida por hᵢ’ = σ(∑αᵢⱼ·W·hⱼ). A implementação utiliza 4 cabeças de atenção (head=4), cada uma produzindo uma representação de 16 dimensões, concatenadas para formar uma representação oculta de 64 dimensões, seguida por duas camadas GAT e uma cabeça de classificação totalmente conectada. A vantagem do mecanismo de atenção reside na capacidade de aprender automaticamente quais conexões entre sensores são mais relevantes — a experiência revelou que o peso de atenção α=0,32 para V1V2 (vibração no mesmo mancal) é o mais elevado, enquanto α=0,09 para V3T2 (vibração do tambor vs. temperatura do freio) é o mais baixo, confirmando que o modelo captura corretamente a resistência das correlações físicas.

Código de implementação PyG (ciclo de treino simplificado):

 import torch import torch.nn.functional as F from torch_geometric.nn import GCNConv, GATConv, SAGEConv from torch_geometric.data import Data class GCNFaultDetector(torch.nn.Module): """três camadasGCNmódulo de diagnóstico de falhas de ponte rolante tipo""" def __init__(self, in_dim=10, hidden_dim=64, out_dim=4, dropout=0.3): super().__init__() self.conv1 = GCNConv(in_dim, hidden_dim) self.conv2 = GCNConv(hidden_dim, hidden_dim) self.conv3 = GCNConv(hidden_dim, out_dim) self.dropout = dropout def forward(self, x, edge_index): x = self.conv1(x, edge_index).relu() x = F.dropout(x, p=self.dropout, training=self.training) x = self.conv2(x, edge_index).relu() x = F.dropout(x, p=self.dropout, training=self.training) x = self.conv3(x, edge_index) return F.log_softmax(x, dim=1) class GATFaultDetector(torch.nn.Module): """atenção multi-cabeçaGATmódulo de diagnóstico de falhas de ponte rolante tipo——4cabeça×16dimensão""" def __init__(self, in_dim=10, hidden_dim=64, heads=4, out_dim=4, dropout=0.3): super().__init__() self.conv1 = GATConv(in_dim, hidden_dim//heads, heads=heads, dropout=dropout) self.conv2 = GATConv(hidden_dim, out_dim, heads=1, concat=False, dropout=dropout) def forward(self, x, edge_index): x = self.conv1(x, edge_index).relu() x = F.dropout(x, p=0.3, training=self.training) x = self.conv2(x, edge_index) return F.log_softmax(x, dim=1) # carregamento de dados（28unidade×12nó×3dados de estrutura de grafo de séries temporais anuais） # edge_index: [2, 76] (38arestas não direcionadas76arestas direcionadas) # x: [12, 10] (12nó×10características dimensionais) # y: [12] (rótulos de falha em nível de nó: 0normal/1Rolamento/2Engrenagem/3desalinhamento/4folga) data_list = torch.load('crane_gnn_data.pt') model = GCNFaultDetector() optimizer = torch.optim.Adam(model.parameters(), lr=0.01, weight_decay=5e-4) for epoch in range(200): model.train() total_loss = 0 for data in data_list: optimizer.zero_grad() out = model(data.x, data.edge_index) loss = F.nll_loss(out[data.train_mask], data.y[data.train_mask]) loss.backward() optimizer.step() total_loss += loss.item() if epoch % 20 == 0: print(f'Epoch {epoch:3d} | Loss: {total_loss/len(data_list):.4f}') 

Notas sobre o código: O GCNFaultDetector utiliza três camadas de propagação de mensagens GCNConv, com dimensão oculta de 64 e Dropout de 0,3 para prevenir sobreajuste. O GATFaultDetector emprega 4 cabeças de atenção na primeira camada (concatenação de 4×16=64 dimensões) e uma única cabeça de atenção na camada final para produzir probabilidades para 4 classes de falha. Ambos partilham a mesma estrutura edge_index (38 arestas não direcionadas, 76 arestas direcionadas). Nos testes, a convergência do GAT foi aproximadamente 30% mais rápida que a do GCN (60 épocas vs. 90 épocas para atingir o melhor desempenho no conjunto de validação).

Plataforma experimental: NVIDIA RTX 3060 12GB / PyTorch 2.1.0 / PyG 2.5.0 / Python 3.11. Dados: registos operacionais de 28 pontes rolantes da Kelude ao longo de 3 anos, divididos em conjuntos de treino/validação/teste na proporção 7:1.5:1.5. O GAT alcançou F1=0.972 com configuração de 4 cabeças de atenção, superando o GraphSAGE em 2,5 pontos percentuais.

GNN vs métodos tradicionais: comparação completa de 5 métodos em 6 dimensões

A experiência comparativa inclui 5 métodos: SVM (núcleo RBF, C=10, γ=’scale’), Random Forest (n_estimators=200, max_depth=15), MLP (três camadas totalmente ligadas, camadas ocultas [128,64], ReLU+BN+Dropout), GCN (três camadas, hidden=64), GAT (4 cabeças, hidden=64/cabeça). Para uma comparação justa, todos os métodos utilizam o mesmo conjunto de características de entrada: cada sensor extrai 10 características estatísticas, 12 sensores concatenados formam um vetor de características de 120 dimensões (apenas GNN utiliza a estrutura de grafo edge_index). Cada método é repetido 5 vezes, apresentando média ± desvio padrão.

Composição do conjunto de dados: 28 pontes rolantes (16 do tipo QD + 8 do tipo LD + 4 à prova de explosão), incluindo 12.544 amostras de operação normal, 3.840 amostras de falha em rolamentos (com 3 subtipos: anel externo, anel interno e elemento rolante), 2.560 amostras de desgaste em engrenagens, 1.920 amostras de desalinhamento de eixos, 1.536 amostras de folga, totalizando 22.400 amostras rotuladas. Cada amostra é um vetor de características estatísticas de uma janela deslizante de 256 pontos.

Interpretabilidade do grafo: pesos de atenção revelam a cadeia causal dos sensores

O mecanismo de atenção do GAT oferece uma ferramenta de interpretabilidade natural — o peso de atenção αᵢⱼ que cada nó sensor atribui aos seus vizinhos reflete diretamente a importância diagnóstica dessa ligação. Após a convergência do treino do GAT, a análise da matriz de coeficientes de atenção dos 12 nós (12×12, normalizada para soma das linhas = 1) revela os seguintes padrões-chave:

Cadeias de alta atenção (α≥0,20): V1V2 (propagação de vibração no mesmo mancal, α=0,32), V2V3 (cadeia de transmissão do tambor do redutor, α=0,28), C1C2 (acoplamento de corrente das fases UV do mesmo motor, α=0,25), V1T1 (cadeia causal de aquecimento por fricção devido ao desgaste do rolamento, α=0,22). Todas estas arestas de alta atenção correspondem a sensores adjacentes na cadeia de transmissão física, consistente com os princípios da mecânica de transmissão.

Cadeias de baixa atenção (α≤0,08): V4Q2 (torque na extremidade direita do tambor da roda de deslocamento do carro, α=0,06), T3C3 (corrente da fase W do motor vs. temperatura do óleo do redutor, α=0,07). Estes sensores pertencem a subsistemas distintos (mecanismo de deslocamento do carro vs. mecanismo de elevação), com uma distância de isolamento físico superior a 2 m. O baixo peso de atenção é, portanto, justificado — o modelo identifica corretamente a fraca correlação entre eles.

Interpretabilidade do modo de falha do rolamento: Quando o modelo diagnostica a falha de rolamento F1, os 3 sensores com maior contribuição são V1 (atenção α=0,32, peso Grad-CAM 0,41), V2 (α=0,28, peso Grad-CAM 0,32) e T1 (α=0,22, peso Grad-CAM 0,18). Os sensores de vibração V1/V2 contribuem com 73%, enquanto o sensor de temperatura T1 contribui com 18%, o que está perfeitamente alinhado com a manifestação física da falha de rolamento (primeiro o aumento da vibração, depois o aquecimento por fricção).

A interpretabilidade tem valor prático em cenários industriais: através do painel de visualização de atenção do GAT, os operadores podem ver "o diagnóstico atual baseia-se principalmente nos sinais de vibração V1 e V2 do mancal", em vez de um rótulo de "falha" inexplicável, criando assim confiança no diagnóstico por IA — nas 12 pontes rolantes piloto implementadas pela Kelude, a taxa de adoção dos resultados de diagnóstico pelos operadores aumentou de 62% para 94%.

Validação em ambiente industrial: sistema de diagnóstico GNN em ponte rolante de aciaria

Ambiente de implementação: Numa grande aciaria, na nave de lingotamento contínuo, 5 pontes rolantes QD32/5t, cada uma equipada com o conjunto de sensores KL-SEN-DEP da Kelude (12×10 dimensões × 5 kHz de aquisição em tempo real). A unidade de computação de borda utiliza o NVIDIA Jetson Orin NX (100 TOPS, 25 W de consumo). O modelo GAT é implementado após quantização INT8 com TensorRT. Rácio de compressão do modelo: FP32 (37,2 MB) → INT8 (9,8 MB), latência de inferência de 5,7 ms → 1,9 ms (redução de 67%), com perda de precisão de apenas 0,3% (F1=0,969).

Arquitetura do sistema: Placa de aquisição de dados de sensores (NI 9234, 51,2 kS/s por canal) → Jetson Orin NX (FFT em tempo real + extração de características + inferência GAT) → OPC UA (gateway MQTT) → Sistema MES da oficina (alertas de falha + ordens de manutenção). Latência de ponta a ponta: aquisição de dados do sensor → extração de características (8,2 ms) → inferência GAT (1,9 ms) → envio de alerta (12,5 ms), total inferior a 25 ms, cumprindo os requisitos de monitorização em tempo real da ponte rolante.

Resultados operacionais (março de 2025 a junho de 2026, 16 meses de operação contínua): Foram emitidos 184 alertas preventivos, dos quais 118 falhas foram confirmadas (68 detetadas em primeira instância pelo GAT, 50 confirmadas posteriormente por inspeção manual). A taxa de alerta antecipado foi de 57,6%. Para falhas de rolamento, o alerta antecipado teve em média 72 horas de antecedência (máximo de 240 horas); para desgaste de engrenagens, a antecedência média foi de 96 horas. Em comparação com o período anterior à implementação (inspeção manual periódica + manutenção corretiva), as paradas não programadas diminuíram de uma média anual de 7,2 para 2,8 (redução de 61%), e os custos de manutenção foram reduzidos em 44%. Durante os 16 meses de operação, a precisão do modelo GAT manteve-se estável entre 95,8% e 97,2%, sem qualquer incidente de segurança devido a falhas não detetadas.

Para detalhes sobre a otimização de quantização na implementação de borda, consulte as práticas de implementação de borda com PyTorch, ONNX e TensorRT da Kelude.

Perguntas Frequentes (FAQ)

As vantagens das redes neurais de grafos (GNN) no diagnóstico de falhas multi-sensor em pontes rolantes foram rigorosamente validadas através de 28 guindastes × 3 anos de dados operacionais: o GAT alcançou um F1=0.972, superando significativamente o SVM (0.847) e o MLP (0.891), ao mesmo tempo que fornece visualização dos pesos de atenção para melhorar a interpretabilidade do diagnóstico. Na implementação industrial, 16 meses de operação contínua reduziram as paradas não programadas em 61%, com alertas antecipados em média de 72 a 96 horas, e os custos operacionais são muito inferiores aos dos métodos tradicionais. A Kelude Indústrias Pesadas está a promover a formação conjunta federada do sistema de diagnóstico GNN entre grupos de pontes rolantes, aproveitando ainda mais os dados entre fábricas para melhorar a capacidade de generalização do modelo.