Telemanutenção e manutenção preditiva para ponte rolante
Parâmetros-chave
O sistema de manutenção preditiva para pontes rolantes adquire sinais de vibração, temperatura e corrente na borda (análise FFT + extração de características no domínio do tempo). Na nuvem, um modelo 1D-CNN + LSTM analisa o estado de saúde e prevê a vida residual (desvio de RUL ≤ 15%). O modelo foi treinado com dados de 1200 pontes rolantes. Após a implementação, as paradas não programadas anuais caíram de 7 para 2 (redução de 71%) e o stock de peças de reposição foi reduzido em 45%. A plataforma remota de operação e manutenção oferece monitoramento em tempo real via Web/APP, atualizações de firmware OTA, inspeção por vídeo e gestão de ordens de serviço.
A ponte rolante é um equipamento crítico para a produção contínua; uma parada não programada pode gerar perdas de milhares a dezenas de milhares de yuans por hora. O modelo tradicional de “manutenção preventiva periódica + manutenção corretiva” apresenta duas desvantagens fatais: primeiro, a manutenção periódica exige a substituição de componentes em intervalos fixos, independentemente do seu estado real (resultando em desperdício quando a vida útil não é totalmente utilizada); segundo, as paradas por falha são completamente imprevisíveis (em casos graves, podem paralisar toda a linha de produção). O modelo de manutenção preditiva com computação em nuvem e borda (cloud-edge) monitora e analisa continuamente os dados operacionais do equipamento, antecipando a tendência de saúde antes que a falha ocorra, permitindo a manutenção sob demanda. Este artigo analisa a solução completa de engenharia para a manutenção preditiva de pontes rolantes, desde a configuração de sensores, extração de características na borda, treinamento de modelos na nuvem até a plataforma remota de operação e manutenção.
Configuração de Sensores e Aquisição de Dados
A implantação de sensores para manutenção preditiva de pontes rolantes cobre três áreas críticas: Motor de Elevação (vibração + temperatura), Redutor (vibração + temperatura do óleo) e Freio (temperatura + Detecção de desgaste). Recomenda-se a instalação de 4 Sensores de Vibração por ponte (tipo IEPE, faixa de frequência 0.5Hz~10kHz, sensibilidade 100mV/g, taxa de amostragem 25.6kHz), 6 Sensores de Temperatura (PT100, precisão ±0.3°C), 3 sensores de corrente (efeito Hall em malha fechada, precisão ±1% F.S.) e 1 sensor de desgaste do freio (Sensor de Deslocamento magnetostritivo, precisão ±0.1mm). Os sinais dos sensores são conectados ao módulo AI do PLC da ponte (SM1231 AI 8×13bit) ou a um Módulo de aquisição de dados dedicado (ADS1256, ADC de 24 bits, interface SPI para o dispositivo de Computação de Borda).
Estratégia de aquisição: Os Sensores de Vibração coletam continuamente (25.6kHz). O dispositivo de Computação de Borda executa uma transformada FFT (1024 pontos) a cada 10 segundos, extrai as características no domínio da frequência e descarta o sinal bruto (não o envia para a nuvem, economizando largura de banda e armazenamento). Os Sensores de Temperatura amostram a cada 1 segundo e enviam a média a cada 10 segundos. Os sensores de corrente amostram a cada 100ms (sincronizados com o ciclo de varredura do PLC) e enviam a cada 1 segundo. A largura de banda total de upload é de aproximadamente 2.5KB/ponte/segundo (incluindo características de vibração + temperatura + corrente + estado). Para 20 pontes rolantes, isso representa cerca de 50KB/segundo, facilmente suportado por uma rede 4G.
Extração de Características na Borda e Análise FFT
O dispositivo de Computação de Borda (Jetson Orin NX ou gateway IoT2040) executa um programa de análise FFT em tempo real, realizando uma transformada FFT de 1024 pontos nos dados amostrados a 25.6kHz por canal (resolução de frequência de 25Hz, faixa espectral de 0~12.8kHz). As características extraídas no domínio da frequência são classificadas em quatro categorias:
Frequência de Pico
Identificação: desbalanceamento / desalinhamento de eixos / folga
Banda Lateral
Identificação: falha no Anel Externo/interno ou Elemento Rolante
Energia de Alta Frequência
Identificação: anomalia no engrenamento
Valor RMS Total
Identificação: avaliação da tendência geral de saúde
Estabelecimento da linha de base de tendência: Os primeiros 30 dias após a comissionamento de um novo equipamento são considerados o período de linha de base. Na borda, a média diária ± 3σ de cada característica é calculada como a faixa normal. A linha de base é armazenada localmente no SQLite da borda e no banco de dados de séries temporais na nuvem. Quando uma característica excede a faixa da linha de base (por exemplo, RMS de vibração acima de 2x a linha de base), a borda envia imediatamente uma mensagem de alerta ao gateway (MQTT QoS 1). O gateway a envia para a nuvem, que notifica o aplicativo do pessoal de manutenção dentro de 30 segundos. A borda também registra os dados brutos da forma de onda anômala (10 segundos antes da falha) como entrada complementar para a análise do modelo na nuvem.
Modelo Preditivo de Vida Residual com 1D-CNN e LSTM na Nuvem
O modelo de IA na nuvem opera em duas etapas: classificação do estado de saúde (1D-CNN) e regressão da vida residual (LSTM). Modelo de classificação 1D-CNN: A entrada é o vetor de características de 32 dimensões enviado pela borda (4 canais de vibração × 8 características de frequência). A saída é uma das 5 classes de estado de saúde: Normal (Rótulo 0), Degradação Leve (Rótulo 1), Degradação Moderada (Rótulo 2), Degradação Severa (Rótulo 3), Pré-Falha (Rótulo 4). Estrutura do modelo: Conv1D(64,128,256)+MaxPool+GlobalAvgPool+Dense(128,5), com aproximadamente 86K parâmetros e precisão de classificação de 94,7% (validado com dados de manutenção corretiva anotados).
Modelo de previsão de vida residual LSTM: Utiliza uma sequência temporal de vetores de características de 32 dimensões dos últimos 7 dias como entrada (passo de tempo = 7×24×6=1008, um vetor a cada 10 minutos). Através de duas camadas LSTM (128,64) + Dense(32,1), o modelo prevê o valor da vida residual em horas. Os dados de treinamento provêm do banco de dados de manutenção da Kelude Indústrias Pesadas (1200 pontes rolantes × média de 3 anos de dados operacionais), totalizando aproximadamente 360.000 pontes-ano de dados de aceleração. Com validação cruzada de 5 dobras, o desvio da previsão de RUL (MAPE) é ≤ 15%. O modelo é retreinado incrementalmente a cada 24 horas com novos dados operacionais (tempo de treinamento de aproximadamente 8 minutos por época).
Fluxo de Ordens de Serviço e Notificações no APP
O valor final da manutenção preditiva reside em desencadear a ação de manutenção correta. As regras de fluxo de trabalho da Plataforma em Nuvem da Kelude baseiam-se na classificação do estado de saúde:
Normal (Label 0~1) — Apenas regista dados, sem gerar qualquer notificação. O sistema monitoriza continuamente as tendências em segundo plano.
Degradação moderada (Label 2) — O sistema marca o equipamento como "em observação" na aplicação de manutenção, com um resumo semanal enviado ao responsável, recomendando a sua inclusão no próximo plano de intervenção.
Degradação severa (Label 3) — Notificação imediata via app e SMS, com recomendação de paragem programada para manutenção num prazo de 7 dias. O sistema gera automaticamente uma ordem de serviço de manutenção preventiva.
Pré-falha (Label 4) — Alerta imediato de três níveis via app, telefone e e-mail, com recomendação de paragem imediata para manutenção. O sistema gera automaticamente uma ordem de serviço de manutenção (incluindo localização da avaria, recomendações de reparação e lista de peças sobressalentes necessárias) e indica a disponibilidade de stock nas proximidades.
Funcionalidades do painel de manutenção na app: visão geral do equipamento (estado de saúde em tempo real de todas as pontes rolantes, indicado a vermelho, amarelo e verde), curvas de tendência de vibração (consulta de tendências RMS e espectros FFT para qualquer período), histórico de alarmes (incluindo formas de onda originais no momento do alarme), lista de ordens de serviço (estado, responsável e previsão de conclusão) e consulta de stock de peças sobressalentes (ligação ao módulo de peças do ERP da empresa). A app da Kelude está disponível para Android e iOS, com dados protegidos por autenticação HTTPS + JWT Token.
Telemanutenção e Atualização de Firmware OTA
A Telemanutenção permite que a equipa de assistência pós-venda da Kelude realize a maioria das intervenções sem deslocação ao local. As funcionalidades principais dividem-se em quatro categorias:
| ① Monitoramento Remoto Login do engenheiro de pós-venda Plataforma em Nuvempermite visualizar Qualquerponte rolantedeoperação em tempo real Parâmetro(Corrente, temperatura, vibração, tempo de operação, etc.)e tendência histórica.suporte a painel personalizado, por grupo de equipamentos/comparação consolidada por área. Web/APP |
| ② remoto Diagnóstico de Falhas o engenheiro pode APPou Webacessar remotamente via terminal PLCbuffer de falhas(Diagnósticobuffer de falhasOB82/OB86/OB121)e logs do edge box, analisar a causa da falha e fornecer Manutençãorecomendações.suporta Código de falhaanálise automática e Manutençãorecomendação de solução. leitura remota Diagnóstico |
| ③ vídeo Inspeção ponte rolante AIcâmera com visualização remota em tempo real(H.264stream, latência≤1segundos), engenheiro pode inspecionar visualmente remotamente Gancho/Cabo de Aço/Linha de Alimentaçãoestado.suporte a captura de tela com anotações e reprodução de vídeo. H.264tempo real |
| ④ OTAfirmware Atualização Computação de Bordaedge box e gateway suportam firmware remoto OTAAtualização.Atualizaçãopacote via MQTT(Qo S 2)envio fragmentado(cada fragmento64KB), validação durante o download(SHA-256, rollback automático para versão anterior em caso de falha).ponte rolante PLCfirmware via interface do edge box Profinetgravação por interface.concluído87operações remotas Atualização, economia média em custos de deslocamento¥2,000/vezes. SHA-256validação durante o download |
Manutenção Tradicional vs. Manutenção Preditiva: Comparativo
| Critério de Comparação | manutenção preventiva tradicional | falha tradicional Manutenção | manutenção preditiva colaborativa nuvem-borda |
|---|---|---|---|
| método de acionamento da manutenção | Fixaçãointervalo de tempo(como a cada3meses) | emergencial após ocorrência de falha Manutenção | acionamento em tempo real com base no estado do equipamento |
| estratégia de substituição de peças | substituição total ao vencer prazo(desperdício médio da vida útil das peças40%) | substituição somente após quebra(substituição forçada) | com base em RULsubstituição preditiva antes da falha |
| parada não programadanúmero de vezes | 5~8vezes/ano | 8~15vezes/ano | 1~3vezes/ano |
| Peça de reposiçãoestoque | alto(com base em Fixaçãoreserva por lista) | imprevisível | reserva precisa com base em resultados preditivos redução de estoque45% |
| suporte de dados | nenhum(baseado em experiência) | análise pós-falha | 7×24hvibração contínua/temperatura/Correntedados |
| alocação de pessoal | 2~3técnicos dedicados Manutençãotécnico | necessita24hem prontidão | 1técnicos de meio período Monitoramento+APPenvio |
| custo total anual de manutenção | referência(100%) | 120~180% | 60~75% |
Configuração de Sensores e Parâmetros Técnicos
| Sensortipo | Modelo/Especificação | quantidade | Detecçãolocalização | Precisão | preço unitário(R$) |
|---|---|---|---|---|---|
| Sensor de Vibração | IEPE 100mV/g | 4 | Motorantes/depois Rolamento+Redutoraltoeixo de baixa velocidade | Frequência0.5Hz~10kHz | ¥650 |
| Sensor de Temperatura | PT100 conexão de três fios | 6 | Motorenrolamento×2+Freio×2+Redutortanque de óleo×2 | ±0.3°C | ¥120 |
| sensor de corrente | malha fechada Hall 0~100A | 3 | Motor de Elevaçãotrifásico | ±1%F.S. | ¥280 |
| Freio Desgaste | magnetostritivo Telescopagemdeslocamento | 1 | sapata de freio Desgastequantidade | ±0.1mm | ¥450 |
Perguntas Frequentes (FAQ)
P: Quanto tempo até o modelo de manutenção preditiva atingir a precisão necessária?
R: A Kelude utiliza os dados de manutenção pós-venda de 1200 pontes rolantes como base de treino. Assim que o novo cliente entra em operação, o modelo de referência já está disponível. Quanto aos dados específicos do cliente: na primeira semana é estabelecida a linha de base de vibração; no primeiro mês obtém-se a capacidade de análise preliminar de tendências; ao terceiro mês, o desvio da previsão de RUL do modelo estabiliza em ≤20%; e no sexto mês atinge a precisão final de ≤15%. Recomenda-se um período mínimo de monitorização de 6 meses após a entrada em funcionamento para avaliar o desempenho do modelo. A Kelude fornece, na fase de aceitação, um relatório comparativo da precisão das previsões entre o período de referência e o período estável.
P: O sistema de manutenção preditiva gera muitos falsos alarmes que possam causar indiferença na equipa de manutenção?
R: A taxa de falsos alarmes é controlada a um nível mínimo através de três camadas de filtragem: 1ª camada — filtro de limiar de linha de base na borda (só gera alerta se o valor da característica exceder ±3σ); 2ª camada — verificação de continuidade temporal na nuvem (o alerta só é confirmado se o limiar for excedido em 3 ciclos consecutivos; flutuações isoladas são filtradas); 3ª camada — filtro de confiança de classificação do modelo 1D-CNN (só são enviadas notificações para resultados Label 3/4 com confiança ≥0.85). Em operação real, a taxa de falsos alarmes é de aproximadamente 1,2 por mês por ponte rolante, dos quais cerca de 83% correspondem a situações que realmente requerem manutenção. A equipa pode marcar "falso alarme" na aplicação móvel, feedback esse que é utilizado para otimizar o modelo.
P: E se uma ponte rolante antiga não tiver local de montagem para o Sensor de Vibração?
R: O Sensor de Vibração é instalado na superfície maquinada da tampa do Mancal do rolamento do redutor e do rolamento do motor (furos roscados M6 ou M8). Os redutores e motores de pontes rolantes mais antigas normalmente já possuem furos roscados de processo (para içamento e instalação), que podem ser utilizados diretamente. Se não houver mesmo local de montagem, pode ser utilizada uma base magnética para o sensor (força magnética ≥50N, resposta em frequência de 0,5Hz a 5kHz, ligeiramente inferior à montagem roscada de 0,5Hz a 10kHz, mas como a banda de frequência principal da ponte rolante se concentra entre 500Hz e 5kHz, o impacto é negligenciável). A Kelude fornece kits de sensores com ambas as opções de montagem — magnética e roscada — pelo mesmo preço.
P: Qual é o investimento necessário e o período de retorno do sistema de manutenção preditiva?
R: O custo de reforma por ponte rolante é de aproximadamente €3.200 a €4.500 (inclui 10 kits de sensores a €1.025, unidade de Computação de Borda a €833, gateway de dados para a nuvem a €320, Instalação e Comissionamento a €641 e o primeiro ano de serviço da Plataforma em Nuvem a €384). Considerando que cada parada não programada custa entre €1.280 e €2.560 (perdas de produção e custos de manutenção), o sistema reduz as paradas não programadas anuais de 7 para 2, gerando uma poupança de cerca de €6.400 a €12.800 por ano, por ponte rolante. Ou seja, o investimento é recuperado em aproximadamente 4 a 6 meses por unidade. Acresce a redução de 45% no stock de Peças de reposição (cerca de €3.800 a €6.400 por ponte rolante/ano) e o prolongamento da vida útil de componentes críticos como rolamentos e engrenagens em 30 a 50%, o que torna o ROI claramente vantajoso. A Kelude oferece um período experimental gratuito de 3 meses (apenas com custo do hardware), podendo o contrato anual de serviço ser assinado após a satisfação do cliente.
