Dados da ponte rolante: da coleta de sensores à análise inteligente
A cadeia completa de dados de operação de pontes rolantes compreende 5 níveis: aquisição por sensores (vibração/temperatura/corrente/encoder, 8~16 por equipamento), limpeza na borda (remoção de anomalias por 3σ + reamostragem + extração de características FFT), armazenamento temporal (InfluxDB/TimescaleDB, incremento diário de 10~50GB/estação), análise inteligente (manutenção preditiva por LSTM/deteção de anomalias/otimização de escalas) e painel visual (Grafana + notificações por APP).Cada ponte rolante gera cerca de 3~18TB de dados brutos por ano; com uma análise eficaz, é possível reduzir as paradas não programadas em 40~60%. A plataforma de big data da Kelude já está integrada a mais de 200 pontes rolantes, acumulando mais de 5PB de dados operacionais.
A ponte rolante (ponte rolante (guindaste de pórtico ou de ponte)) é um dos equipamentos com maior densidade de dados numa fábrica moderna — cada unidade está equipada com 8~16 sensores que, a uma taxa de amostragem de 100Hz, geram continuamente sinais multidimensionais de vibração, temperatura, corrente e posição. Uma única ponte rolante produz 30~50GB de dados brutos por dia; numa fábrica de médio porte com 20 pontes rolantes, acumulam-se mais de 200TB de dados por ano. No entanto, a taxa de utilização desses dados na maioria das fábricas é inferior a 5% — os sinais dos sensores permanecem apenas brevemente no PLC e no inversor de frequência, sem nunca entrarem no pipeline de análise. Este artigo decompõe integralmente a solução técnica de ponta a ponta para dados operacionais de pontes rolantes — da aquisição, limpeza, armazenamento e análise à visualização.
1. Aquisição de dados por sensores — perceção multidimensional do guindaste
A aquisição de dados operacionais da ponte rolante é o ponto de partida da cadeia de análise. Diferentes sensores captam grandezas físicas de várias dimensões, cobrindo todos os parâmetros de estado do maquinário e do sistema elétrico do guindaste. A solução padrão de aquisição de dados da Kelude inclui os seguintes sensores:
| Tipo de sensor | Medição Parâmetro | Modelo/Especificação | Taxa de amostragem | Quantidade por unidade | Local de instalação |
|---|---|---|---|---|---|
| Sensor de Vibração Aceleração(mm/s²) | Tipo IEPE, 0.5Hz~10kHz | 25.6kHz | 4~6unidade | Motor/Redutor/Eixo da Roda Suporte/Tambor | |
| Sensor de Temperatura | Temperatura(°C) | PT100, ±0.3°C | 1Hz | 4~8unidade | Motor Enrolamento/Redutor Cárter de óleo/Freio/Trilho |
| sensor de corrente | Corrente(A) | Efeito Hall, ±1%F.S. | 1kHz | 3unidade | Elevação/Carro/inversor de frequência da translação da ponte Saída |
| Encoder Posição/velocidade | Incremental/Absoluto, 1024pulsos por revolução (PPR) | 100Hz | 2~4unidade | Motor de Elevação/Carrinho do Ponte/Carro Acionamento | |
| Sensor de Peso Carga(t) | Tipo coluna/Tipo pino de eixo, 0.5%F.S. | 10Hz | 1unidade | polia do moitão |
2. Limpeza e Pré-processamento de Dados na Borda — Do Sinal Bruto à Característica Utilizável
O sinal bruto do sensor não pode ser enviado diretamente para o modelo de análise. O nó de Computação de Borda (NVIDIA Jetson Orin NX/AGX) executa limpeza em tempo real, reamostragem e extração de características junto à ponte rolante, comprimindo os dados brutos de vibração de 25.6kHz em valores de características ao nível de segundos. O processo de limpeza divide-se em quatro etapas:
Etapa 1 — Eliminação de valores atípicos: Aplica-se a regra 3σ (critério de Pauta), calculando a média μ e o desvio padrão σ para uma janela deslizante (comprimento da janela N=1.000 pontos) em cada canal do sensor. Os pontos de dados que excedem μ±3σ são marcados como anómalos e eliminados. Nos dados de vibração, os picos esporádicos do sensor (interferência eletromagnética, impacto mecânico) representam cerca de 0,1~0,5%, sendo reconstruídos por interpolação linear após a eliminação.
Etapa 2 — Imputação de valores em falta: O Sensor de Temperatura e o sensor de corrente têm taxas de amostragem baixas (1Hz~1kHz) e, ocasionalmente, apresentam falhas devido à perda de pacotes na comunicação. Para durações em falta <100ms, utiliza-se interpolação linear; para durações ≥100ms, recorre-se à imputação KNN (k=5, selecionando a média ponderada dos 5 pontos vizinhos mais semelhantes na janela temporal). A precisão de imputação medida no edge box da Kelude é ≥98%.
Etapa 3 — Reamostragem e alinhamento: Os sensores com diferentes taxas de amostragem são uniformemente reamostrados para uma frequência base de 1Hz. Estratégia de redução da vibração de 25.6kHz para 1Hz: extração por segundo de 4 estatísticas — RMS, pico, fator de curtose e frequência de pico — comprimindo o volume de dados em 25.600 vezes. Corrente de 1kHz para 1Hz: extração por segundo do valor eficaz (RMS) e do pico. Todos os sensores são sincronizados por relógio GPS, com precisão de alinhamento de timestamps de ±1ms.
Etapa 4 — Engenharia de características: Cálculo de características de ordem superior nos dados de frequência base de 1Hz: fator de curtose da vibração (reflete características de impacto), fator de crista (reflete a gama dinâmica da amplitude do sinal) e rácio de energia da banda lateral (para Diagnóstico de Falhas em engrenagens/rolamentos). O conjunto de características padrão da Kelude inclui 128 dimensões de características no domínio do tempo e da frequência, com cada ponte rolante a produzir um vetor de características de 128 dimensões por segundo.
3. Seleção da Solução de Armazenamento de Dados — Base de Dados de Séries Temporais e Armazenamento em Camadas Quente/Frio
Uma ponte rolante gera 30~50GB de dados brutos por dia (amostragem contínua de vibração a 25.6kHz), que após limpeza e compressão na borda, são reduzidos para cerca de 1,2GB/dia de dados de características. Numa fábrica com 20 pontes rolantes, o incremento diário é de cerca de 24GB, o mensal de cerca de 720GB e o anual de cerca de 8,6TB. Diferentes tipos de dados exigem diferentes estratégias de armazenamento:
| Tipo de dados | Esquema de armazenamento | Incremento diário | Período de retenção | Taxa de compressão | Desempenho de consulta(1hFaixa) |
|---|---|---|---|---|---|
| Vibração bruta(25.6kHz) | Min IOArmazenamento de objetos | 30~50GB | 30dias | 2:1 (gzip) | — (Leitura de arquivo) |
| Dados de características(1Hz, 128Dimensão) | Influx DB | 1.2GB | Permanente | 5:1 (Armazenamento em colunas+delta) | ≤200ms |
| Registro de eventos(Alarme/Operação) | Postgre SQL | 50~200MB | Permanente | — | ≤50ms |
| Dados de treinamento de modelo(Amostras rotuladas) | Postgre SQL+Min IO | 100~500MB | Permanente | — | — |
Estratégia de armazenamento em camadas frias e quentes: Os dados quentes (últimos 7 dias) são armazenados na camada de memória InfluxDB + SSD, com resposta de consulta <50ms; os dados mornos (8 a 90 dias) são armazenados na camada HDD do InfluxDB, com resposta de consulta <500ms; os dados frios (>90 dias) são automaticamente reduzidos para intervalos de 10 minutos e arquivados no armazenamento de objetos MinIO, reduzindo os custos de armazenamento em 70%. A plataforma de big data da Kelude Indústrias Pesadas vem configurada por padrão com estas três camadas de armazenamento, podendo o utilizador personalizar o período de retenção.
4. Modelos analíticos inteligentes — dos dados à decisão
Os dados limpos e armazenados constituem a base para a análise inteligente. A plataforma de big data da Kelude Indústrias Pesadas integra quatro modelos analíticos: modelo de alerta de falhas, modelo de previsão de vida residual, modelo de otimização energética e modelo de otimização de escalonamento. Segue-se o desempenho dos modelos com base em dados reais de uma ponte rolante de 32t numa siderurgia, durante 6 meses:
| Modelo | Algoritmo | Precisão | Tempo de alerta antecipado | Taxa de falso alarme | Local de implantação |
|---|---|---|---|---|---|
| Rolamento Alerta de falha | LSTM-Attention | 96.3% | 7~14dias | 4.2% | Borda |
| Engrenagem Desgaste Previsão | Transformer | 94.1% | 14~30dias | 5.8% | Nuvem |
| Anomalia de consumo de energia Detecção | Isolation Forest | 91.7% | Tempo real | 3.1% | Borda+Nuvem |
| Escalonamento Otimização de trajetória | PPOAprendizado por reforço | 87.6% | Planejamento de Trajetória | — | Nuvem |
A plataforma de big data da Kelude Indústrias Pesadas integra um pipeline AutoML que reajusta automaticamente os modelos a cada duas semanas. A detecção de desvios na distribuição de dados (Data Drift) utiliza o Índice de Estabilidade Populacional (PSI), acionando o reajuste automático quando o PSI > 0,1. Os resultados da inferência dos modelos são enviados via protocolo MQTT para o painel Grafana e para alertas por WeChat/SMS.
8~16 Por unidadeponte rolante Sensor Quantidade por unidade Vibração bruta/Temperatura/Corrente/Encoder/Peso Cinco categorias | 25,600× Taxa de compressão de dados na borda 25.6kHz1Hz, RMS/Pico/Característica de curtose | 5PB+ Volume de dados operacionais acumulados 200+Por unidadeponte rolante, Coleta contínua superior a3anos |
96.3% Rolamento Precisão de alerta de falha LSTM-Attention, Antecipação7~14dias | 40~60% parada não programada Redução Manutenção preditiva+Benefício abrangente de otimização de escalonamento | 128Dimensão Dimensão do vetor de características por segundo Domínio do tempo+Domínio da frequência, Cobertura total |
5. Painéis Visuais e Sistema de Relatórios
O resultado final da análise de dados materializa-se em painéis visuais e relatórios. A plataforma de big data da Kelude Indústrias Pesadas utiliza a stack de monitorização Grafana + Prometheus, com atualização de dados em tempo real (latência ≤2s), permitindo visualizar no mesmo ecrã a visão geral da operação de todas as pontes rolantes da fábrica, o painel de saúde de cada ponte individual, a comparação de tendências históricas e a lista de alertas de falhas. O sistema suporta isolamento de permissões multi-inquilino — diferentes perfis (diretor de fábrica, responsável de equipamentos, técnico de manutenção, operador) acedem a vistas de painel distintas.
Níveis de painel: Painel de visão operacional geral (taxa de disponibilidade das pontes rolantes / OEE / tendências de consumo energético / número de alertas), painel por equipamento (espetro de vibração em tempo real, tendências de temperatura, forma de onda de corrente, tempo de operação acumulado, estimativa de vida residual) e painel de análise histórica (comparação de tendências em qualquer período, reprodução de eventos, retrospetiva de dados dos 15 minutos anteriores à falha). As notificações de alerta são enviadas por três canais: WeChat Enterprise, SMS e e-mail. Os alertas críticos (temperatura do rolamento >85°C, vibração >10mm/s) são automaticamente escalados para o responsável de equipamentos. A plataforma de big data da Kelude Indústrias Pesadas já desenvolveu 6 categorias e 28 painéis personalizados para uma grande siderúrgica, gerando automaticamente relatórios mensais de eficiência energética (em formato PDF), incluindo ranking de consumo por ponte, recomendações de manutenção e estimativas de custos.
Para mais cenários de aplicação de dados em pontes rolantes, consulte: Comparação de três soluções de recuperação de energia na frenagem de pontes rolantes (otimização de consumo energético) e Arquitetura de sistema de controlo cloud-edge para pontes rolantes (suporte de computação de borda). A Kelude Indústrias Pesadas oferece a plataforma de big data nas edições Standard e Enterprise. A edição Standard inclui painéis base e notificações de alerta; a edição Enterprise inclui AutoML, painéis personalizados e desenvolvimento de modelos de IA à medida.
Perguntas Frequentes (FAQ)
P: É necessário reformar as pontes rolantes existentes para a recolha de dados?
R: A Kelude Indústrias Pesadas oferece duas soluções: para pontes novas, os sensores e a unidade de computação de borda são pré-instalados de fábrica (plug-and-play); para pontes existentes, é disponibilizada uma solução de reforma — instalação de um kit de sensores (sem alterar o sistema elétrico original; os sensores são montados com base magnética ou fixação), e a unidade de borda lê sinais já existentes (corrente, velocidade, etc.) através da interface de comunicação do inversor de frequência (RS485/Profinet), enquanto os novos sensores de vibração e temperatura transmitem sem fios. O ciclo típico de reforma de uma ponte existente é de 3 a 5 dias por unidade, sem interromper a produção normal.
P: Com 30 a 50 GB de dados por dia, a largura de banda da rede será suficiente?
R: Os dados brutos não são enviados diretamente para a nuvem. Após compressão e extração de características na unidade de computação de borda, apenas os dados de características são enviados (cerca de 1,2 GB/dia/ponte). Para uma estação com 20 pontes rolantes, o volume diário de envio é de aproximadamente 24 GB. A fábrica necessita de uma ligação à internet com largura de banda mínima de 100 Mbps. A largura de banda necessária para o envio dos dados de características é de cerca de 2 Mbps (24 GB/86400s × 8 = 2,2 Mbps), facilmente suportada por uma ligação empresarial padrão. Os dados brutos são armazenados localmente na fábrica durante 30 dias e depois eliminados automaticamente; para retenção prolongada, pode ser opcionalmente configurado armazenamento NAS local.
P: A precisão do modelo é de 96%, mas os falsos alertas ainda podem afetar a produção. O que fazer?
R: A estratégia de alerta da Kelude Indústrias Pesadas adota três níveis: alerta de nível 1 (confiança do modelo ≥95%) gera automaticamente uma ordem de manutenção e envia notificação para o telemóvel do responsável; alerta de nível 2 (80% ≤ confiança < 95%) marca o equipamento no painel como "requer atenção" e recomenda verificação durante uma paragem programada; aviso de nível 3 (confiança < 80%) é apenas registado nos relatórios históricos, sem envio ativo. Além disso, os falsos alertas são realimentados no conjunto de treino — as amostras marcadas como "falso alerta" pelo utilizador entram no pool de exemplos difíceis (Hard Negative Mining), e a cada duas semanas, durante o retreino, a pontuação de anomalia de amostras semelhantes é automaticamente reduzida. Em testes realizados ao longo de 6 meses, a taxa de falsos alertas diminuiu de 4,2% para 2,1%.
P: Como é cobrada a plataforma de big data da Kelude Indústrias Pesadas?
R: A edição Standard é cobrada por número de pontes rolantes: taxa de integração de dados por ponte (pagamento único) de €400 a €1.050 (dependendo do número de sensores) + taxa anual de serviço de plataforma de €260 a €650 por ponte/ano (inclui armazenamento de dados, painéis, notificações de alerta e manutenção de modelos). A edição Enterprise é orçamentada por projeto, incluindo AutoML, painéis personalizados e implementação privada. A Kelude Indústrias Pesadas oferece um período de teste gratuito de 14 dias da edição Standard, sem custos para a integração de 2 pontes rolantes durante o período experimental.
A solução técnica de ponta a ponta para o fluxo de dados de operação de pontes rolantes — da recolha à tomada de decisão — constitui a infraestrutura fundamental para a atualização inteligente de qualquer fábrica. A plataforma de big data da Kelude Indústrias Pesadas já serve clientes com mais de 200 pontes rolantes, abrangendo setores como siderurgia, química, materiais de construção e maquinário. Para mais detalhes sobre a plataforma ou para agendar uma demonstração gratuita, contacte a equipa técnica da Kelude Indústrias Pesadas para obter uma solução personalizada.
