Um rolamento raramente falha sem deixar sinais. Esses sinais surgem primeiro como uma alteração de vibração numa banda estreita, uma sequência de impactos, uma mudança na energia acústica ou uma tendência de temperatura que nenhum operador consegue interpretar de forma fiável apenas pelo ouvido. Saber como detetar automaticamente falhas em rolamentos significa transformar esses sinais fracos e iniciais numa decisão repetível sobre o estado da máquina antes que danos de lubrificação, descascamento ou falha da gaiola provoquem uma paragem não planeada.
Para equipamentos industriais, o objetivo não é simplesmente gerar um alarme quando a vibração ultrapassa um limite fixo. É identificar se um sinal representa variação normal de funcionamento, um defeito de rolamento em desenvolvimento, um problema de montagem, interação entre engrenagens, desequilíbrio ou outra fonte de energia mecânica. Essa distinção determina se a manutenção pode ser programada ou se o risco de produção exige uma intervenção imediata.
Como detetar automaticamente falhas em rolamentos em equipamentos em funcionamento
A deteção automática de falhas em rolamentos começa com uma cadeia de medição que preserve o conteúdo relevante do sinal. Os acelerómetros são o principal sensor para a maioria dos equipamentos rotativos, porque defeitos nos elementos rolantes geram impactos repetitivos que excitam ressonâncias estruturais de alta frequência. Sensores acústicos podem acrescentar sensibilidade quando o ruído aéreo está controlado, enquanto dados de corrente do motor, velocidade do eixo e temperatura fornecem contexto operacional útil.
A posição do sensor é importante. Monte o acelerómetro o mais próximo possível da caixa do rolamento, num percurso rígido que minimize a atenuação entre o defeito e o sensor. Um sensor instalado numa proteção flexível ou numa estrutura distante da máquina pode continuar a mostrar vibração elevada, mas pode desfocar a assinatura de impacto necessária para distinguir um defeito na pista interior de um defeito na pista exterior.
Os requisitos de amostragem dependem da geometria do rolamento, da velocidade de rotação e da gama de ressonância da estrutura da máquina. A vibração global de baixa frequência pode revelar desequilíbrio ou folgas, mas danos iniciais nos elementos rolantes aparecem frequentemente em dados de aceleração de frequência mais elevada. O sistema de aquisição deve captar largura de banda suficiente e evitar aliasing. Também necessita de uma base temporal estável caso os dados sejam sincronizados com velocidade do eixo, carga do processo ou informação de estado operacional baseada em vídeo.
Um sistema automático prático segue quatro funções interligadas: adquirir o sinal, condicioná-lo, reconhecer o padrão e emitir uma decisão operacional. Uma fragilidade em qualquer uma destas funções pode provocar falsos alarmes ou falhas não detetadas.
Capture o contexto operacional, não apenas a vibração
O mesmo rolamento saudável produz assinaturas de vibração diferentes em diferentes velocidades, cargas, temperaturas e estados de lubrificação. Um classificador treinado apenas num único ponto de funcionamento estável pode interpretar uma alteração normal de velocidade como degradação. Em variadores de velocidade, registe as RPM ou derive-as a partir de um tacómetro, encoder, sinal de controlo do motor ou método de order tracking baseado no próprio sinal.
O contexto operacional também ajuda a distinguir eventos transitórios de defeitos. O arranque de um transportador, o impacto de um produto ou um episódio de cavitação numa bomba podem gerar picos de elevada energia semelhantes a impactos de rolamento numa janela temporal curta. A deteção automática torna-se mais fiável quando avalia persistência, frequência de repetição e o estado atual da máquina, em vez de reagir a um único pico.
Extraia características que preservem a física da falha
A monitorização de condição tradicional calcula características como RMS, aceleração de pico, fator de crista, curtose e energia espectral. Estas continuam a ser úteis porque comprimem uma forma de onda contínua em valores que podem ser acompanhados ao longo do tempo. Um aumento do RMS pode indicar maior energia mecânica, enquanto um fator de crista crescente pode indicar comportamento impulsivo associado ao desenvolvimento de danos superficiais.
No entanto, nenhuma característica individual diagnostica todos os tipos de falha de rolamento. A curtose pode aumentar devido a um rolamento danificado, mas também devido a impactos do processo ou interferência elétrica. O RMS pode permanecer praticamente inalterado durante um defeito localizado em fase inicial. A abordagem mais útil consiste em combinar informação nos domínios do tempo, frequência e envelope.
A análise de envelope é especialmente eficaz para rolamentos de elementos rolantes. O sinal bruto de aceleração é filtrado em torno de uma ressonância estrutural, retificado ou transformado num envelope analítico e analisado no domínio da frequência. Impactos repetitivos podem então aparecer nas frequências características do rolamento associadas à pista exterior, pista interior, elementos rolantes e gaiola. Bandas laterais em torno destas frequências indicam frequentemente modulação provocada pela rotação do eixo ou por efeitos da zona de carga.
As frequências de falha calculadas são pontos de referência valiosos, mas não constituem prova absoluta. Máquinas reais apresentam escorregamento, variações de velocidade, diferentes percursos de transmissão estrutural e tolerâncias de fabrico. Um sistema de deteção deve, por isso, reconhecer vizinhanças de frequência, estruturas harmónicas, padrões de modulação e alterações do sinal ao longo do tempo, em vez de exigir uma única linha espectral matematicamente exata.
Utilize classificação treinável em condições de sinal complexas
Regras e limiares funcionam bem quando o parque de máquinas é uniforme e a assinatura da falha é clara. Tornam-se difíceis de manter quando os equipamentos operam a várias velocidades, com diferentes produtos, ambientes e configurações de montagem. Nessas condições, um modelo treinável de reconhecimento de padrões pode classificar diretamente o comportamento do sinal a partir de exemplos representativos.
O conjunto de treino deve incluir funcionamento saudável em toda a gama operacional esperada. Deve também incluir eventos conhecidos que não correspondem a falhas: arranques, paragens, transições de carga, ciclos de limpeza, impactos do processo e atividade de equipamentos próximos. Se os dados de falhas confirmadas forem limitados, algo comum em fábricas bem mantidas, os modelos podem começar por aprender a população de sinais saudáveis e assinalar desvios para análise de engenharia.
Para classificação supervisionada, rotule as amostras utilizando registos de manutenção, resultados de inspeções e dados de testes controlados quando disponíveis. Classes úteis podem incluir normal, degradação inicial do rolamento, danos na pista exterior, danos na pista interior, anomalia relacionada com lubrificação, desequilíbrio, desalinhamento, folga e anomalia desconhecida. Uma categoria “desconhecida” é operacionalmente importante. Um sistema não deve forçar todos os padrões desconhecidos para uma classe conhecida de falha de rolamento.
Um controlador neural treinável pode processar características selecionadas, segmentos espectrais, envelopes ou outras representações do sinal próximo da máquina. Os controladores NT Adaptive da NeuroTechnologijos foram concebidos para este tipo de carga de reconhecimento embebido, permitindo avaliar padrões de sinal treinados sem enviar todas as formas de onda para um servidor remoto. A representação adequada depende da latência, memória disponível, número de sensores e nível de detalhe diagnóstico necessário.
Implemente a deteção no edge quando o tempo de resposta for importante
A análise na cloud pode suportar relatórios de frotas, gestão centralizada de modelos e análise histórica de longo prazo. No entanto, nem sempre é o local adequado para a primeira decisão sobre o estado da máquina. Fluxos contínuos de vibração de alta frequência consomem largura de banda de rede, e as redes industriais podem ter conectividade limitada ou requisitos rigorosos de tratamento de dados.
A implementação no edge permite que o sistema local adquira sinais, classifique padrões e publique apenas o resultado relevante: índice de condição, categoria de falha, nível de confiança, valor de tendência e evidência de suporte. Isto reduz a transferência de dados, mantendo simultaneamente uma resposta rápida. Também mantém a monitorização ativa durante interrupções temporárias da rede.
Os sistemas edge precisam de mais do que um classificador rápido. Exigem aquisição determinística de sinais, alimentação e caixa adequadas ao ambiente industrial, compatibilidade de interfaces, registo de eventos e integração com PLC, SCADA, MES ou sistemas de manutenção. Um classificador que identifica um defeito em milissegundos tem valor limitado se o resultado não puder receber uma marca temporal, ser associado ao equipamento correto e convertido numa ordem de trabalho ou numa resposta operacional controlada.
Defina a lógica de alarmes com base no risco, e não num único valor de confiança
Uma política de alarmes útil combina a saída da classificação com duração e tendência. Por exemplo, um sistema pode registar um evento de aviso após várias deteções anómalas de baixa confiança, escalar para um alerta de manutenção quando o padrão persiste durante vários ciclos de funcionamento e solicitar inspeção imediata quando a confiança no defeito aumenta juntamente com uma tendência de vibração em rápido crescimento.
Esta abordagem reduz alertas desnecessários provocados por perturbações isoladas. Também cria um histórico de auditoria claro para as equipas de manutenção: quando o padrão começou, como evoluiu, em que condições de velocidade e carga apareceu e que evidência do sinal sustentou a decisão.
Os limiares devem ser específicos para cada equipamento. Um pequeno motor de alta velocidade e um britador de movimento lento não podem partilhar os mesmos limites de vibração, plano de amostragem ou atraso de alarme. A criticidade também altera a resposta. Para uma bomba redundante, um aviso antecipado pode ser suficiente. Para um fuso, sistema auxiliar de turbina ou acionamento relacionado com segurança, o mesmo sinal pode justificar intervenção imediata.
Valide o sistema antes de o expandir
A validação deve ser realizada com dados gravados e em direto provenientes da instalação real. Separe os dados por período operacional, e não apenas por janelas de sinal escolhidas aleatoriamente, para evitar sobrestimar o desempenho do modelo através de amostras quase idênticas nos conjuntos de treino e teste. Teste em diferentes condições de carga, velocidades, temperaturas e cenários de substituição de sensores.
Meça falsos alarmes, deteções falhadas, antecedência de deteção e estabilidade da classificação. As equipas de manutenção deixarão de confiar num sistema que gera alarmes frequentes sem explicação, enquanto a gestão não aceitará um sistema que só identifica uma falha depois de surgirem danos visíveis. Analise casos ambíguos com especialistas em vibrações e introduza os resultados confirmados novamente no conjunto de treino.
A condição do sensor também precisa de ser monitorizada. Um acelerómetro solto, um cabo danificado, uma entrada saturada ou uma alteração na orientação do sensor podem parecer uma mudança na máquina. Verificações automáticas de qualidade devem identificar sinais constantes, clipping, níveis de ruído excessivos e alterações implausíveis na amplitude de referência antes de essas condições entrarem no modelo de falhas.
A monitorização automática de rolamentos é mais eficaz quando se torna parte do fluxo de trabalho de manutenção, e não apenas um painel isolado. Construa o sistema para reconhecer o comportamento real de cada máquina, preservar evidência para análise de engenharia e escalar apenas quando o padrão e o risco justificarem uma ação. É assim que os dados de condição se transformam numa decisão de manutenção mais precoce e mais defensável.
