Uma falha num rolamento raramente é visível numa única leitura de sensor. Manifesta-se como um padrão em mudança nas bandas de vibração, corrente do motor, energia acústica, velocidade, carga e estado de funcionamento. Por isso, um guia de aquisição de dados industriais deve começar pelo processo físico, e não por um modelo de IA ou uma plataforma de dados preferidos. A qualidade do sinal captado determina o que um controlador edge consegue reconhecer, quão cedo o consegue reconhecer e se a decisão permanece fiável no ambiente de produção.
Para engenheiros de automação e OEMs, a aquisição de dados é a camada de engenharia entre um evento da máquina e uma resposta automatizada. Abrange a seleção de sensores, amostragem, sincronização, condicionamento, transporte, armazenamento, rotulagem e validação. Um projeto deficiente pode fazer com que um bom modelo pareça impreciso. Um sistema de aquisição bem concebido pode tornar prática a utilização de reconhecimento compacto e de baixo consumo no edge.
Comece pela decisão, não pelo sensor
Defina a decisão necessária da máquina antes de selecionar uma câmara, acelerómetro, microfone ou módulo de E/S. “Monitorizar a máquina” não é um requisito suficientemente específico. Um requisito útil identifica o padrão a reconhecer, o tempo de resposta permitido, as consequências de um falso alarme e a ação que o sistema de controlo deve executar.
Por exemplo, uma linha de embalagem pode precisar de distinguir etiquetas em falta, etiquetas desalinhadas e variações de impressão aceitáveis à velocidade da linha. Um sistema de monitorização de bombas pode precisar de classificar cavitação, desequilíbrio, desgaste de rolamentos e funcionamento normal antes que os danos se propaguem. São problemas de reconhecimento diferentes, mesmo que ambos sejam descritos como monitorização de condição.
A decisão também define onde deve ser realizado o processamento. Se um atuador de rejeição tiver de atuar em milissegundos, o vídeo bruto não deve fazer uma viagem de ida e volta até um servidor remoto. Se o objetivo for analisar tendências de uma frota ao longo de meses de produção, o armazenamento e a análise no servidor podem ser justificados. Muitos sistemas industriais precisam de ambos: classificação local imediata e transferência seletiva de eventos, características ou amostras gravadas para análise de engenharia.
Guia de aquisição de dados industriais: defina a cadeia de sinal
Uma cadeia de aquisição deve ser especificada desde o fenómeno físico até à entrada do controlador. Cada etapa pode remover informação útil ou introduzir artefactos.
Adapte o sensor ao mecanismo de falha
Utilize o mecanismo de interesse para selecionar a modalidade de deteção. As câmaras são eficazes para defeitos de superfície, verificação de montagem, posição e verificações dimensionais de presença. Os acelerómetros captam impactos mecânicos e assinaturas de equipamentos rotativos. Os sensores acústicos podem revelar fugas, fricção, comportamento de válvulas e arcos elétricos. A medição de corrente e tensão pode revelar carga do motor, desequilíbrio elétrico e comportamento de comutação. Temperatura, pressão e valores de processo fornecem contexto que pode distinguir uma falha real de uma transição normal de funcionamento.
Um único sensor nem sempre é melhor do que vários. A aquisição multimodal pode reduzir a ambiguidade quando um sinal muda por várias razões. A vibração pode aumentar devido ao desgaste ou porque a carga do produto mudou. Adicionar velocidade do eixo, estado da receita ou corrente do motor pode fornecer ao classificador o contexto operacional necessário para distinguir essas condições. A contrapartida é um maior trabalho de integração, mais canais para sincronizar e mais dados para gerir.
Defina as taxas de amostragem com base no conteúdo do sinal
A taxa de amostragem deve seguir o componente de frequência mais elevado que precisa de ser reconhecido, com margem para filtros e análise. Uma tendência de baixa velocidade, como o nível de um depósito, pode ser adquirida lentamente. Vibrações de rolamentos, emissões ultrassónicas e impactos transitórios exigem uma amostragem muito mais rápida. A aquisição de vídeo deve considerar não apenas os fotogramas por segundo, mas também o tempo de exposição, estabilidade da iluminação, velocidade do objeto e desfocagem de movimento.
Aplicar uma taxa de amostragem elevada a todos os canais desperdiça armazenamento e largura de banda. Aplicar uma taxa baixa a um sinal de alta frequência elimina permanentemente informação de diagnóstico. Antes da implementação, capture estados representativos da máquina e analise o espectro, a forma de onda e a duração dos eventos. Isto permite determinar se o sinal contém os padrões que a aplicação pretende classificar.
A filtragem anti-aliasing é igualmente importante. Frequências acima da gama útil de amostragem podem refletir-se em bandas inferiores e surgir como características falsas. Utilize filtragem analógica adequada quando o front-end do sensor o exigir e confirme depois o sinal resultante em condições reais de ruído elétrico e mecânico.
Preserve a temporização e o contexto operacional
Os padrões industriais dependem frequentemente do tempo. Um pico de vibração pode ser relevante apenas durante uma determinada gama de velocidade do fuso. Uma imagem da câmara pode precisar de estar alinhada com a posição do encoder. Um evento acústico pode precisar de ser correlacionado com um comando de válvula. Sem marcas temporais e sincronização, estas relações tornam-se difíceis de reconstruir.
Utilize um relógio comum ou um método de sincronização determinístico para canais que serão analisados em conjunto. Registe o estado da máquina juntamente com os dados dos sensores: receita de produção, velocidade da linha, tipo de produto, setpoint, ID da ferramenta, estado de alarme e atividade de manutenção. Os canais de contexto são frequentemente a diferença entre um conjunto de dados de treino útil e uma coleção de anomalias sem explicação.
Projete para a integridade do sinal no ambiente industrial
O ambiente industrial é eletricamente e mecanicamente hostil aos sistemas de medição. Variadores de frequência, comutação de relés, loops de terra, encaminhamento de cabos, vibração, calor, poeira e condições de lavagem afetam a qualidade dos dados. Um sensor que funciona bem numa bancada pode comportar-se de forma diferente quando instalado junto de motores e cabos de potência.
Selecione interfaces de sensores industriais e métodos de montagem adequados ao ambiente. A montagem do acelerómetro é uma fonte comum de variação: uma montagem magnética solta, uma base adesiva e uma montagem por perno não transmitem vibrações de alta frequência da mesma forma. Para visão artificial, as janelas das caixas, o ângulo de iluminação, a focagem da lente e o controlo de contaminação devem ser tratados como parte do sistema de deteção. Para monitorização acústica, a ressonância da caixa e o ruído de ar comprimido nas proximidades podem dominar o sinal alvo.
O condicionamento do sinal deve ser explicitamente definido no projeto. Pode incluir amplificação, isolamento, filtragem, adaptação de impedância e conversão para uma interface analógica ou digital adequada. Verifique a gama de entrada do hardware de aquisição para garantir que os picos normais não são cortados e que os sinais de baixa amplitude não ficam escondidos no ruído de quantização. Documente as definições de ganho, orientação do sensor, cablagem e estado de calibração. Estes detalhes tornam os resultados reproduzíveis entre máquinas e locais.
Capture dados que representem a realidade da produção
Um sistema de reconhecimento treinado apenas com exemplos limpos provavelmente falhará durante mudanças de turno, arranques, manutenção, transições de produto ou condições ambientais invulgares. Recolha dados ao longo de toda a gama normal de funcionamento: diferentes cargas, velocidades, operadores, materiais, temperaturas, lotes e condições de iluminação, quando aplicável.
Os dados de falhas representam um desafio prático porque as falhas reais podem ser raras, inseguras de provocar ou dispendiosas de reproduzir. Quando os exemplos de falhas são limitados, comece por captar de forma fiável o estado normal e defina cuidadosamente os limites de deteção de anomalias ou reconhecimento de novidade. Condições de teste controladas podem complementar os dados de campo, mas não devem substituí-los. Um defeito de rolamento induzido numa bancada de testes pode produzir uma assinatura mais limpa do que uma falha em desenvolvimento numa máquina instalada.
Registe dados suficientes antes e depois do evento para compreender as transições. Uma pequena janela em torno de uma rejeição, alarme ou descoberta de manutenção é geralmente mais valiosa do que uma amostra isolada. Para vídeo ou formas de onda de grande volume, armazene dados contínuos localmente apenas quando se justificar e utilize acionadores por evento, buffers circulares ou características extraídas para controlar as necessidades de armazenamento.
A rotulagem é uma tarefa de engenharia
Os rótulos devem identificar o que aconteceu, como o rótulo foi verificado e em que condições operacionais ocorreu. “Mau” raramente é uma classe útil. Um rótulo melhor poderia ser “ruga no selo, confirmada por inspeção do operador, formato de produto B, velocidade da linha 180 unidades por minuto”. O contexto adicional ajuda os engenheiros a identificar se o modelo está a reconhecer o defeito ou uma condição de produção não relacionada.
Estabeleça um processo de rotulagem com definições claras para cada classe. Quando os rótulos provêm de registos de manutenção, rejeições da produção ou introdução por operadores, tenha em conta a respetiva incerteza. Um registo de manutenção pode identificar um componente que falhou após várias semanas de degradação, mas não o momento exato em que começou a assinatura da falha. Trate amostras ambíguas separadamente em vez de as forçar para uma classe considerada segura.
Para reconhecimento supervisionado, equilibre o conjunto de dados sempre que possível e evite dividir amostras quase duplicadas entre os conjuntos de treino e validação. Fotogramas consecutivos da mesma peça defeituosa podem fazer com que as métricas de desempenho pareçam excelentes, oferecendo ao mesmo tempo pouca evidência de generalização. Valide com diferentes ciclos de produção, lotes, máquinas ou períodos de tempo.
Escolha processamento edge, servidor ou híbrido
A arquitetura deve seguir os requisitos de latência, privacidade, largura de banda e ciclo de vida. O processamento edge é adequado quando o reconhecimento deve ocorrer próximo do sensor, as comunicações são limitadas ou os dados brutos devem permanecer no local. Um controlador neural treinável pode classificar imagens, segmentos de vídeo, padrões de vibração, sinais de áudio e outros tipos de entradas não estruturadas diretamente dentro do sistema operacional.
O processamento em servidor suporta retenção a longo prazo, análise de engenharia, gestão de modelos e agregação entre equipamentos. É útil para identificar tendências numa frota e analisar eventos difíceis, mas não deve ser o único caminho para controlo crítico em termos de tempo. Um projeto híbrido normalmente realiza o reconhecimento imediato no edge enquanto envia exceções, gravações selecionadas e dados de desempenho para uma análise mais aprofundada.
O formato do hardware é importante durante a integração. Um controlador PCIe pode ser adequado para um PC industrial que já execute software da máquina. Uma placa embebida pode ser apropriada para uma caixa OEM. Uma plataforma compacta como o NT Adaptive Raspberry Pi pode suportar protótipos com restrições ou implementações embebidas quando os seus requisitos ambientais e de E/S são cumpridos. A NeuroTechnologijos desenvolve controladores NT Adaptive para este tipo de reconhecimento industrial treinável, de baixo consumo e executado no edge.
Valide todo o ciclo da aquisição à ação
Não valide o classificador isoladamente. Teste toda a cadeia: sensor, condicionamento, transporte, pré-processamento, reconhecimento, interface com PLC ou sistema de controlo, resposta do atuador, indicação ao operador e registo de eventos. Meça a latência de ponta a ponta em vez de apenas o tempo de inferência do modelo.
Teste também o comportamento em caso de falha. Desligue um sensor, introduza uma entrada saturada, interrompa as comunicações, altere a iluminação, varie a velocidade e reinicie o controlador. O sistema deve identificar dados inválidos ou em falta em vez de emitir uma decisão de máquina confiante, mas incorreta. Defina estados de contingência, tratamento de alarmes e procedimentos de manutenção antes do comissionamento.
Um teste de aceitação útil mede o desempenho do reconhecimento durante uma produção representativa, e não apenas com amostras cuidadosamente selecionadas. Acompanhe rejeições falsas, condições não detetadas, tempo de resposta, perda de dados e o número de casos que exigem revisão humana. Estas métricas permitem determinar se o sistema está a melhorar o funcionamento da máquina ou apenas a produzir mais dados.
O passo seguinte mais produtivo é normalmente uma captura curta e instrumentada na própria máquina. Capture a variação normal, registe o contexto operacional, inspecione a qualidade do sinal e compare-a com a decisão de que o processo necessita. Esta evidência determinará a arquitetura dos sensores e os requisitos de processamento edge de forma muito mais fiável do que selecionar hardware de IA apenas com base numa ficha de especificações.
