{"id":1401,"date":"2026-09-21T05:41:49","date_gmt":"2026-09-21T02:41:49","guid":{"rendered":"https:\/\/neurotechnologijos.com\/how-to-label-industrial-sensor-data\/"},"modified":"2026-09-21T18:31:49","modified_gmt":"2026-09-21T15:31:49","slug":"como-rotular-dados-de-sensores-industriais-para-edge-ai","status":"publish","type":"post","link":"https:\/\/neurotechnologijos.com\/pt-pt\/como-rotular-dados-de-sensores-industriais-para-edge-ai\/","title":{"rendered":"Como rotular dados de sensores industriais para Edge AI"},"content":{"rendered":"

Um sinal de vibra\u00e7\u00e3o n\u00e3o chega com um r\u00f3tulo a dizer \u201cdefeito na pista exterior\u201d. Uma grava\u00e7\u00e3o ac\u00fastica n\u00e3o identifica uma fuga de ar comprimido e um sinal t\u00e9rmico n\u00e3o explica se um aumento de temperatura est\u00e1 relacionado com o processo ou \u00e9 an\u00f3malo. Esse contexto precisa de ser criado antes de um sistema de reconhecimento trein\u00e1vel poder tomar decis\u00f5es fi\u00e1veis. Saber como rotular dados de sensores industriais<\/strong> \u00e9, por isso, uma tarefa central de engenharia e n\u00e3o um detalhe secund\u00e1rio de prepara\u00e7\u00e3o de dados.<\/p>\n

Para as equipas industriais, uma rotulagem \u00fatil consiste menos em criar o maior conjunto de dados poss\u00edvel e mais em captar significado operacional. Os r\u00f3tulos devem refletir as decis\u00f5es que um controlador, sistema de manuten\u00e7\u00e3o ou operador precisa de tomar em condi\u00e7\u00f5es reais. Um conjunto de r\u00f3tulos mal definido pode treinar um modelo para reconhecer artefactos da recolha, identidade da m\u00e1quina ou ru\u00eddo de fundo em vez da condi\u00e7\u00e3o realmente relevante.<\/p>\n

Comece pela decis\u00e3o operacional<\/h2>\n

Defina a a\u00e7\u00e3o de sa\u00edda antes de analisar qualquer sinal. Pergunte o que o sistema deve fazer quando reconhece um padr\u00e3o: gerar um alerta, rejeitar um produto, classificar um estado da m\u00e1quina, ajustar um par\u00e2metro do processo ou encaminhar um evento para revis\u00e3o humana.<\/p>\n

Esta decis\u00e3o determina a taxonomia correta dos r\u00f3tulos. Um sistema de manuten\u00e7\u00e3o preditiva pode precisar de r\u00f3tulos como opera\u00e7\u00e3o normal, desequil\u00edbrio, desalinhamento, degrada\u00e7\u00e3o do rolamento, problema de lubrifica\u00e7\u00e3o e anomalia desconhecida. Uma aplica\u00e7\u00e3o de controlo de qualidade pode, em vez disso, exigir aceit\u00e1vel, defeito superficial, defeito dimensional, contamina\u00e7\u00e3o e inconclusivo. S\u00e3o problemas de classifica\u00e7\u00e3o diferentes, mesmo quando utilizam a mesma c\u00e2mara, microfone ou aceler\u00f3metro.<\/p>\n

Evite r\u00f3tulos tecnicamente interessantes, mas operacionalmente in\u00fateis. Por exemplo, separar doze subtipos de falhas de rolamentos pode ser desnecess\u00e1rio se o fluxo de manuten\u00e7\u00e3o apenas precisar de distinguir entre normal, monitorizar e manuten\u00e7\u00e3o necess\u00e1ria. Por outro lado, um \u00fanico r\u00f3tulo \u201cfalha\u201d \u00e9 demasiado amplo se a a\u00e7\u00e3o corretiva depender da identifica\u00e7\u00e3o do modo de falha.<\/p>\n

Uma taxonomia pr\u00e1tica deve cumprir tr\u00eas condi\u00e7\u00f5es. Cada classe deve ser observ\u00e1vel nos dados dispon\u00edveis do sensor, distingu\u00edvel das classes pr\u00f3ximas e ligada a uma resposta definida. Se uma destas condi\u00e7\u00f5es estiver ausente, o r\u00f3tulo provavelmente ir\u00e1 gerar exemplos de treino inconsistentes.<\/p>\n

Como rotular dados de sensores industriais por janela temporal<\/h2>\n

Os sinais industriais s\u00e3o cont\u00ednuos, mas a maioria dos sistemas de reconhecimento trabalha com observa\u00e7\u00f5es discretas. A quest\u00e3o de engenharia \u00e9 determinar onde um evento come\u00e7a e termina.<\/p>\n

Para vibra\u00e7\u00e3o, corrente, press\u00e3o, \u00e1udio e outros dados de s\u00e9ries temporais, defina uma janela de an\u00e1lise fixa ou baseada em eventos. Uma janela pode representar um ciclo da m\u00e1quina, uma rota\u00e7\u00e3o, dois segundos de opera\u00e7\u00e3o em regime est\u00e1vel ou o per\u00edodo em torno de um transiente detetado. A dura\u00e7\u00e3o correta depende da f\u00edsica do sinal e da lat\u00eancia de reconhecimento exigida pela aplica\u00e7\u00e3o.<\/p>\n

Uma janela curta melhora o tempo de resposta, mas pode n\u00e3o conter evid\u00eancia suficiente para identificar um padr\u00e3o mec\u00e2nico de baixa frequ\u00eancia. Uma janela longa pode fornecer mais contexto, mas introduz lat\u00eancia e pode misturar v\u00e1rios estados operacionais. N\u00e3o existe uma dura\u00e7\u00e3o universal. Teste diferentes janelas com base no comportamento real da m\u00e1quina, varia\u00e7\u00e3o da velocidade de rota\u00e7\u00e3o, tempo de ciclo de produ\u00e7\u00e3o e or\u00e7amento de hardware edge dispon\u00edvel.<\/p>\n

Quando os limites de um evento s\u00e3o incertos, n\u00e3o force uma precis\u00e3o artificial. Marque o intervalo central do evento e mantenha um campo de confian\u00e7a relativo aos limites. Por exemplo, uma fuga ac\u00fastica<\/a> pode emergir gradualmente acima do ru\u00eddo de fundo. O r\u00f3tulo pode identificar a condi\u00e7\u00e3o de fuga, enquanto os metadados registam se o ponto inicial \u00e9 confirmado, estimado ou amb\u00edguo.<\/p>\n

Para dados de imagem e v\u00eddeo, aplique o mesmo princ\u00edpio espacial e temporalmente. Um r\u00f3tulo de defeito deve indicar se se refere \u00e0 imagem completa, a uma regi\u00e3o de interesse, a um objeto acompanhado ou a uma sequ\u00eancia de frames. Uma anomalia visual vis\u00edvel apenas em dois frames n\u00e3o deve ser rotulada como se todos os frames de um v\u00eddeo de dez segundos a contivessem.<\/p>\n

Registe o contexto como metadados, n\u00e3o como um detalhe posterior<\/h2>\n

O r\u00f3tulo de classe, por si s\u00f3, raramente \u00e9 suficiente para IA industrial. As leituras dos sensores s\u00e3o influenciadas pelo estado do processo, condi\u00e7\u00f5es de instala\u00e7\u00e3o, configura\u00e7\u00e3o do sensor, lotes de material e altera\u00e7\u00f5es ambientais. Guarde este contexto juntamente com cada registo rotulado.<\/p>\n

Metadados \u00fateis incluem normalmente o identificador da m\u00e1quina ou ativo, tipo de sensor e localiza\u00e7\u00e3o de montagem, taxa de amostragem, ganho ou configura\u00e7\u00e3o de calibra\u00e7\u00e3o, modo de opera\u00e7\u00e3o, carga ou velocidade, tipo de produto, marca temporal e sistema de origem. Sempre que dispon\u00edvel, registe tamb\u00e9m hist\u00f3rico de manuten\u00e7\u00e3o, relat\u00f3rios de falhas confirmadas e observa\u00e7\u00f5es dos operadores.<\/p>\n

Esta informa\u00e7\u00e3o serve dois objetivos. Primeiro, permite aos engenheiros investigar se um modelo est\u00e1 a reconhecer uma condi\u00e7\u00e3o f\u00edsica real ou um atalho. Se todos os exemplos de uma falha tiverem sido registados numa \u00fanica m\u00e1quina e a uma \u00fanica velocidade, uma pontua\u00e7\u00e3o elevada de valida\u00e7\u00e3o pode refletir caracter\u00edsticas espec\u00edficas dessa m\u00e1quina e n\u00e3o verdadeiro reconhecimento da falha. Segundo, os metadados suportam o retreino futuro quando o equipamento, sensores ou condi\u00e7\u00f5es de produ\u00e7\u00e3o mudam.<\/p>\n

N\u00e3o inclua condi\u00e7\u00f5es operacionais na classe-alvo, a menos que a pr\u00f3pria condi\u00e7\u00e3o seja o resultado desejado. \u201cNormal a 1 800 RPM\u201d e \u201cnormal a 2 400 RPM\u201d s\u00e3o geralmente melhor representados pelo r\u00f3tulo normal acompanhado de um campo de velocidade. Separ\u00e1-los em classes distintas pode fragmentar desnecessariamente o conjunto de dados. No entanto, se o objetivo da automa\u00e7\u00e3o for reconhecer estados dependentes da velocidade, classes distintas podem ser adequadas.<\/p>\n

Crie defini\u00e7\u00f5es de r\u00f3tulos que diferentes engenheiros consigam aplicar<\/h2>\n

Uma especifica\u00e7\u00e3o de rotulagem deve ser lida como um procedimento de engenharia. Cada classe precisa de uma defini\u00e7\u00e3o curta, regras de inclus\u00e3o, regras de exclus\u00e3o, exemplos representativos de sinais e um processo para casos incertos.<\/p>\n

Considere um r\u00f3tulo chamado \u201cdegrada\u00e7\u00e3o do rolamento\u201d. Sem defini\u00e7\u00e3o, um revisor pode aplic\u00e1-lo a qualquer aumento de vibra\u00e7\u00e3o, enquanto outro pode exigir harm\u00f3nicos consistentes com uma frequ\u00eancia conhecida do rolamento. O conjunto de dados resultante combina fen\u00f3menos diferentes numa \u00fanica classe. Um controlador trein\u00e1vel n\u00e3o consegue aprender um padr\u00e3o est\u00e1vel a partir de um conceito inst\u00e1vel.<\/p>\n

Defina pelo menos quatro elementos para cada classe:<\/p>\n