Um compressor pode permanecer dentro do seu ponto de ajuste de pressão enquanto os rolamentos, válvulas ou sistema de lubrificação já estão a avançar para uma falha. Quando um alarme convencional ultrapassa um limiar fixo, a máquina pode já estar a funcionar de forma ineficiente, a produzir calor excessivo ou a danificar equipamento ligado. A classificação de falhas de compressores resolve esta lacuna ao identificar a condição representada por um padrão de sinal em direto, e não apenas se uma medição ultrapassou um limite.
Para as equipas industriais, o objetivo não é simplesmente recolher mais dados de monitorização de condição. É classificar o estado operacional com rapidez suficiente para apoiar uma decisão prática: continuar a operação, inspecionar na próxima paragem programada, reduzir a carga ou intervir imediatamente. Isto exige um sistema capaz de distinguir assinaturas de falha de alterações normais de velocidade, carga, temperatura ambiente e procura do processo.
Porque é difícil classificar falhas de compressores
Compressores alternativos, de parafuso rotativo, scroll e centrífugos produzem assinaturas mecânicas e acústicas diferentes. Mesmo dentro da mesma família de máquinas, a mesma falha pode manifestar-se de forma diferente a diferentes velocidades, pressões, composições de gás e condições de montagem. Um aumento da amplitude de vibração, por exemplo, pode indicar degradação do rolamento, desalinhamento, folga, pulsação ou uma transição operacional temporária.
Os alarmes baseados em limiares continuam a ser úteis para proteção do processo, mas são limitados como método de diagnóstico. Avaliam uma variável em relação a um limite. A classificação de falhas avalia relações ao longo de um sinal: componentes de frequência, temporização de impulsos, forma da envolvente, eventos transitórios, distribuição de energia e alterações relativamente a uma linha de base saudável conhecida.
O problema de classificação também é influenciado pelo posicionamento dos sensores. Um acelerómetro montado próximo do rolamento do lado de acionamento capta informação diferente de um acelerómetro montado na carcaça do compressor. Um microfone pode revelar fugas de válvulas ou eventos de impacto pouco evidentes nos dados de vibração, enquanto a corrente do motor pode expor anomalias elétricas ou relacionadas com a carga antes de surgir um sintoma mecânico visível. O desenho mais eficaz depende dos modos de falha mais relevantes e dos sinais disponíveis no ponto de instalação.
A classificação de falhas de compressores começa pelos estados operacionais
Um modelo útil não trata todos os desvios como falhas. Primeiro separa regimes operacionais normais de condições anómalas. Arranque, funcionamento sem carga, funcionamento com carga, aumento de velocidade, operação em recirculação e paragem podem produzir padrões de sinal que pareceriam anómalos se fossem comparados apenas com uma única referência de regime estável.
O classificador deve, por isso, reconhecer tanto a condição da máquina como o contexto operacional. Um conjunto prático de rótulos pode incluir:
- operação saudável dentro de intervalos definidos de velocidade e carga;
- desgaste do rolamento ou degradação relacionada com lubrificação;
- fuga de válvula, impacto da válvula ou restrição de fluxo;
- desalinhamento do veio, desequilíbrio ou folga mecânica;
- carga elétrica anómala, defeitos do motor ou eventos relacionados com o variador; e
- comportamento desconhecido ou não classificado que requer revisão.
A última categoria é essencial. Os modelos industriais não devem ser obrigados a atribuir cada padrão desconhecido a uma falha conhecida. Uma saída de estado desconhecido evita falsa confiança quando a máquina encontra uma condição ausente dos dados de treino, como uma nova ressonância de montagem, um transiente de processo incomum ou um problema de instalação do sensor.
As classes de falha devem corresponder às ações de manutenção
A granularidade da classificação deve seguir a decisão de manutenção e não o número teórico de falhas possíveis. Se uma fábrica responder a vários padrões relacionados com rolamentos utilizando o mesmo procedimento de inspeção, uma única classe de condição do rolamento pode inicialmente ser mais valiosa do que vários rótulos estreitos de defeito. Por outro lado, falhas de válvulas podem precisar de classes separadas quando exigem peças diferentes, planeamento de paragem distinto ou medidas de segurança específicas.
Existe aqui um compromisso entre detalhe de diagnóstico e fiabilidade do modelo. Mais classes podem melhorar a especificidade da falha, mas apenas quando existem dados representativos suficientes para cada classe. Rótulos com poucos exemplos aumentam a confusão entre condições semelhantes e podem fazer com que um modelo pareça preciso nos testes, mas se comporte de forma imprevisível em equipamento em funcionamento.
Sinais que contêm evidência de diagnóstico útil
A vibração continua a ser uma das principais fontes para monitorização da condição mecânica. A aceleração bruta pode ser analisada no domínio do tempo para impactos, fator de crista e periodicidade e depois transformada em características no domínio da frequência que revelam comportamento rotacional, de rolamentos, engrenagens e estruturas. A análise de envelope é particularmente útil quando ressonâncias de alta frequência são excitadas por impactos repetitivos.
A deteção acústica pode acrescentar informação difícil de obter apenas através de vibração transmitida pela estrutura. Válvulas com fuga, pulsação de gás, fricção e impactos intermitentes podem produzir padrões acústicos ou de contacto reconhecíveis. Os sensores acústicos exigem tratamento cuidadoso do ruído de fundo, efeitos da carcaça e distância à fonte, mas podem ser altamente eficazes quando a assinatura sonora relevante é distinta.
Dados de corrente do motor, tensão, velocidade, pressão, temperatura e fluxo fornecem contexto operacional. As assinaturas de corrente podem revelar alterações de carga, efeitos relacionados com o rotor e comportamento do variador. As tendências de pressão e temperatura podem ajudar a distinguir uma falha mecânica de uma resposta normal a alterações da procura do processo. Combinar estes sinais reduz a ambiguidade, desde que as marcas temporais estejam sincronizadas e o sistema de aquisição preserve largura de banda suficiente para os mecanismos de falha relevantes.
De sinais brutos para um modelo edge treinável
Um sistema de produção começa normalmente com aquisição sincronizada de dados. A taxa de amostragem, sensibilidade do sensor, filtragem anti-aliasing e método de montagem devem ser documentados porque afetam diretamente a possibilidade de reproduzir um modelo treinado em diferentes máquinas. Um modelo treinado com um acelerómetro de alta largura de banda pode não ser transferível para um sensor de menor custo com resposta de frequência diferente.
De seguida, os segmentos gravados são rotulados com base em registos de manutenção, resultados de inspeções, observações dos operadores e estados operacionais conhecidos. Esta fase determina frequentemente a qualidade do classificador final. Os registos de manutenção podem conter descrições amplas como “vibração elevada” em vez de causas raiz confirmadas, pelo que é necessária revisão de engenharia antes de esses registos serem utilizados como rótulos de treino.
A seleção de características depende da aplicação. Alguns sistemas utilizam características projetadas como nível RMS, curtose, energia em bandas espectrais, harmónicos, bandas laterais e métricas de pulsação da pressão. Outros classificam janelas de sinais brutos ou ligeiramente processados. Ambas as abordagens podem funcionar. As características projetadas podem reduzir o volume de dados e simplificar a interpretação; o reconhecimento direto de padrões pode preservar detalhes do sinal que podem perder-se na extração manual de características.
Para implementação no edge, o modelo precisa de cumprir um requisito mais exigente do que apenas precisão offline. Deve classificar dentro do tempo de resposta necessário, operar dentro dos limites disponíveis de memória e energia e manter comportamento previsível sob fluxo contínuo de dados. Um classificador embebido de baixa latência pode atuar sobre uma janela curta de evento junto da máquina, enquanto um sistema de supervisão armazena eventos e tendências selecionados para análise de engenharia.
Os sistemas NeuroTechnologijos baseados em controladores treináveis NT Adaptive e hardware de rede neural digital NeuroMem foram concebidos para este tipo de carga de reconhecimento de padrões, onde decisões locais rápidas e operação embebida de baixo consumo são prioridades.
Valide o classificador com variação operacional real
A precisão, por si só, não é uma métrica de aceitação adequada. Um conjunto de dados com muitas amostras saudáveis pode produzir elevada precisão global mesmo que o sistema falhe falhas raras mas dispendiosas. Recall por classe, taxa de falsos positivos, confusão entre categorias de falha, latência de deteção e comportamento do estado desconhecido oferecem uma visão mais útil do desempenho em campo.
Os dados de validação devem ser separados por tempo, período operacional e, idealmente, por máquina. Misturar aleatoriamente janelas de sinal adjacentes entre conjuntos de treino e teste cria um resultado excessivamente otimista, porque padrões quase idênticos podem aparecer dos dois lados da divisão. Um teste mais robusto avalia se o classificador reconhece uma falha numa execução de produção posterior ou num compressor comparável que não foi utilizado no treino.
Os falsos alarmes exigem atenção especial. Se cada transição de carga for classificada como uma falha em desenvolvimento, os operadores deixarão de confiar na saída. Se o modelo for tornado demasiado conservador para evitar alarmes incómodos, poderá falhar degradações iniciais. O equilíbrio correto depende da criticidade do compressor, do custo de uma paragem não planeada e de a classificação desencadear uma ação automática ou apenas uma notificação de manutenção.
Integrar a classificação nas decisões da fábrica
A saída do classificador deve estar ligada a um fluxo de trabalho definido. Uma classificação saudável pode atualizar uma tendência de condição. Uma classe de suspeita de degradação pode gerar uma recomendação de inspeção acompanhada de evidência do sinal. Uma classe de elevada gravidade pode iniciar descarga controlada, escalonamento de alarme ou interbloqueio de proteção de acordo com a filosofia operacional da instalação.
A integração também exige rastreabilidade. Guarde o resultado da classificação, medida de confiança ou similaridade, marca temporal, estado operacional e segmento representativo do sinal. Isto fornece aos engenheiros de fiabilidade a informação necessária para verificar decisões, refinar rótulos e identificar deriva do modelo. Também torna o sistema mais fácil de justificar durante revisões de manutenção, porque o resultado fica ligado a comportamento observável da máquina em vez de um alarme de caixa-preta.
Projete para adaptação, não para uma implementação única
Os compressores envelhecem, os sensores são substituídos, as condições do processo mudam e as ações de manutenção alteram a assinatura da máquina. Por isso, um classificador de falhas deve ser tratado como um ativo de engenharia controlado. Os dados de referência devem ser atualizados depois de grandes revisões, novos eventos confirmados devem ser avaliados para inclusão no conjunto de treino e o desempenho deve ser monitorizado para alterações nas taxas de falsos alarmes ou classificações desconhecidas.
O sistema de monitorização de compressores mais útil não é aquele que produz mais rótulos. É aquele que transforma evidência em direto de vibração, acústica, eletricidade e processo numa ação atempada e explicável para as pessoas responsáveis por manter a máquina disponível.
