Manutenção Preditiva e Dados de Sensores

Ganhos:

• Capacidade de reconhecer o conceito de manutenção preditiva, indicadores de vibração/temperatura e modos de falha típicos
• Capacidade de configurar análises de anomalias, tendências e frequências características em séries temporais de sensores com IA
• Capacidade de cruzar a interpretação da IA com o mecanismo de falha física, calibração e inspeção de campo

A manutenção preditiva é uma das aplicações que proporciona o maior retorno em uma instalação, reduzindo o tempo de inatividade planejado e evitando mau funcionamento inesperado, monitorando constantemente a condição da máquina e prevendo falhas antes que elas ocorram. Em vez das abordagens clássicas de “consertar quando quebrar” ou “substituir dentro do prazo”, lemos o estado real da máquina a partir de dados do sensor, como vibração, temperatura, corrente e acústica. A inteligência artificial (IA) é muito poderosa nesta área: detecção de anomalias (desvios do normal) em dados de séries temporais, análise de tendências, interpretação de frequências de falhas características e geração de relatórios. Mas o “possível mau funcionamento” dado pela IA é uma hipótese, não um diagnóstico. O sensor pode estar quebrado, sua calibração pode estar errada, os dados podem apresentar ruído e a IA pode atribuir significado a um padrão não físico. Interpretação da IA ​​antes de ser tomada uma decisão de manutenção; A frequência característica da falha deve ser verificada com a calibração do sensor, qualidade dos dados e inspeção de campo. Nesta unidade, você aprenderá a interpretar dados de sensores com segurança com IA.

Quantidades medidas e modos de falha típicos

A saúde das máquinas rotativas (motor, bomba, ventilador, rolamento, engrenagem) é lida a partir de algumas quantidades básicas. Cada quantidade é sensível a certos modos de falha:

tamanho

sensível ao que

Modo de falha típico

Vibração (aceleração/velocidade)

Desequilíbrio, desalinhamento, rolamento/engrenagem

Desequilíbrio, desalinhamento, danos nos rolamentos

temperatura

Fricção, perda de lubrificação, sobrecarga

Aquecimento dos rolamentos, degradação do óleo

corrente do motor

Mudança de carga elétrica e mecânica

Fratura da barra do rotor, anomalia de carga

acústico/ultrassom

Danos prematuros no rolamento, vazamento

Degradação da película de óleo, vazamento de gás

A ferramenta fundamental na análise de vibrações é o espectro de frequência: separamos o sinal de tempo em seus componentes de frequência com a transformada de Fourier (FFT: o processo matemático que separa um sinal em suas frequências componentes). Cada modo de falha produz um pico em uma frequência característica. Por exemplo, o desequilíbrio aparece na frequência de rotação (1X), o desalinhamento do eixo ocorre principalmente em 2X e os danos no rolamento aparecem em frequências especiais dependendo da geometria do rolamento (como BPFO, BPFI, BSF).

Dica: Antes de a IA interpretar o espectro, forneça a velocidade de rotação da máquina (RPM) e o número do rolamento, se aplicável. As frequências características de falta não podem ser calculadas sem esta informação; sem eles, a interpretação da IA ​​sobre “falha de rolamento” permanece no ar.

Anomalia, Tendência e Falso Alarme

A IA faz duas coisas bem em séries temporais: detecção de anomalias (desvios repentinos) e análise de tendências (decadência lenta). Mas existem duas armadilhas. O primeiro é um falso positivo: ruído, uma mudança temporária de carga ou vibração do sensor podem parecer ser o verdadeiro defeito. O segundo é um falso negativo: uma deterioração lenta e gradual pode passar despercebida porque permanece dentro da “faixa normal”. Um bom monitoramento também rastreia a alteração com base no histórico da própria máquina (linha de base) e não no limite absoluto.

Cuidado: O próprio sensor pode falhar. Embora um sensor de temperatura descalibrado possa emitir um alarme de “superaquecimento”, a máquina está perfeitamente normal; ou um acelerômetro solto produz vibração espúria. O que a IA vê são apenas dados; O controle de campo informa se a fonte dos dados é confiável. “Verifique o sensor primeiro” é a primeira regra da manutenção preditiva.

Passo a passo: interpretando dados de sensores com IA

1. Dê o contexto. Tipo de máquina, RPM, informações sobre rolamentos/engrenagens, ponto de medição.
2. Verifique a qualidade dos dados. A frequência de amostragem é suficiente, há algum valor discrepante/ausente?
3. Determine a linha de base. Como é um estado saudável?
4. Extraia a anomalia/tendência. Marque desvios e tendências com IA.
5. Solicite interpretação física. Qual modo de falha, com que frequência, por quê?
6. Verifique em campo. Calibração, verificação visual/tátil, segunda medição se necessário.

Solicitação de interpretação de espectro

Função: Especialista em análise de vibração (monitoramento de condição). Contexto: Uma bomba centrífuga girando a 1450 RPM, rolamento final 6206. Dados: frequências de pico no espectro de velocidade de vibração [lista, Hz e amplitude]. Tarefa: Correlacionar cada pico com o possível modo de falha (desequilíbrio 1X, desalinhamento do eixo 2X, rolamento BPFO/BPFI etc.). Calcule as frequências características dos rolamentos com RPM e geometria 6206, indique as frequências que você mostra. Regra: Esta é uma HIPÓTESE; Para cada comentário, escreva como eu verifico no campo.

Solicitação de análise de anomalia/tendência

Analise as seguintes séries temporais de temperatura: [data, lista de valores].- Qual é a linha de base (faixa normal)?- Existem anomalias (desvio repentino), quando?- Existe uma tendência de aumento lento, qual é a inclinação?Regra: Avaliar o risco de falsos positivos; Que verificação adicional você recomendaria para distinguir entre erro do sensor e superaquecimento real?

Prompt de qualidade de dados e verificação do sensor

A frequência de amostragem nesta medição de jitter é de 2 kHz. A frequência de falha mais alta em que estou interessado é de aproximadamente 800 Hz. Esta amostragem é suficiente (Nyquist), comente. Os sintomas de saltos repentinos e cortes nos dados são os seguintes: [descrição]. Poderiam ser sinais reais ou erros de sensor/gravação, como posso distinguir?

Prompt de minuta de decisão de manutenção

Escreva um rascunho de recomendação de manutenção com base nas seguintes descobertas: [constatações]. Divida sua recomendação em três níveis: pare imediatamente, inspecione na manutenção programada e continue monitorando. Escreva a justificativa e a verificação de campo para cada nível. Regra: O engenheiro de manutenção competente tomará a decisão final; declare isso.

Alerta Fraco/Prompt Forte

Alerta fraco:

Essa vibração é alta?

Nenhum tipo de máquina, RPM, unidade de medida, linha de base e informações de rolamento; A IA não pode dizer "alto/baixo", mesmo que diga, não há suporte.

Alerta poderoso:

Bomba centrífuga de 1450 RPM, rolamento 6206, dosagem final de acionamento. Frequências de pico do espectro de velocidade de vibração: [lista]. Associe cada pico a um possível modo de falha, calcule e exiba frequências características dos rolamentos. Afirme que cada comentário é uma hipótese e escreva no campo como verificá-la. Considere também a possibilidade de erro do sensor.

O segundo prompt contém o contexto da máquina, os dados do espectro e a solicitação de verificação; Ele posiciona a interpretação como uma hipótese.

Três mini-casos (por números)

Caso 1 – Verificação de frequência característica. Em uma bomba, a IA comenta “falha do anel interno (BPFI)”. O engenheiro calcula BPFI com 1450 RPM (24,2 Hz) e geometria de rolamento 6206: ~131 Hz. O pico no espectro está em torno de ~130 Hz e possui harmônicos. A interpretação é consistente com a frequência característica; O engenheiro desmonta o rolamento durante a manutenção planejada e encontra corrosão no anel interno. A confirmação transforma a hipótese em diagnóstico.

Caso 2 – Alarme falso. Em uma ventoinha, o sensor de temperatura dá um alarme de 95°C, a IA diz “superaquecimento do rolamento”. A equipe de campo faz uma verificação manual: a cama está quente, normal. A conexão do sensor está solta, a calibração mudou. Temperatura real ~55°C. Quando o sensor é apertado e calibrado, o alarme desaparece. Se a interpretação da IA ​​fosse seguida cegamente, uma cama sólida seria desmontada desnecessariamente. Lição: verifique o sensor primeiro.

Caso 3 – Capturando a tendência lenta. O limite absoluto de vibração não é excedido em uma caixa de câmbio, mas a IA mostra um aumento de amplitude de aproximadamente 6% por semana em uma tendência de 8 semanas. Por extrapolação, prevê-se que o limite será excedido em aproximadamente 5 semanas. Durante a parada planejada, a equipe analisa o óleo, encontra a partícula metálica e substitui a engrenagem de forma controlada; A parada inesperada é evitada. Lição: a tendência avisa antes do limite absoluto.

Erros comuns

• Pedindo comentários sem contexto: Interpretando o espectro sem RPM e portando informações.
• Não verificar o sensor: Confundir um erro de calibração/conexão com um mau funcionamento real.
• Confundindo uma hipótese com um diagnóstico: traduzindo a interpretação da IA ​​em uma decisão de manutenção sem controle de campo.
• Olhando apenas para o limiar absoluto: não percebemos a tendência de decadência lenta.
• Subamostragem: Negligenciar a regra de Nyquist e negligenciar a falha de alta frequência.
• Reação exagerada ao falso positivo: confundir o ruído com um mau funcionamento real e parar a máquina saudável.

Em resumo

• A manutenção preditiva lê o status da máquina a partir de sensores como vibração, temperatura e corrente e prevê falhas com antecedência.
• No espectro de vibração, cada modo de falha produz um pico em uma frequência característica; O comentário requer RPM e conhecimento de rolamentos.
• A interpretação da falha dada pela IA é uma hipótese; A frequência característica deve ser verificada por calibração e inspeção de campo.
• O próprio sensor pode falhar; "verificar o sensor primeiro" é a primeira regra.
• A tendência é tão importante quanto o limiar absoluto; A degradação lenta dá um aviso prévio. A decisão de manutenção pertence ao engenheiro competente.

Tarefa de aplicativo

Escolha uma máquina rotativa (bomba, ventilador, motor). Anote o RPM da máquina e o número do rolamento, se aplicável. Pegue uma série temporal de espectro de vibração/temperatura real ou de amostra e faça com que a IA a interprete com seu contexto. Para cada hipótese de falha a IA mostra: verifique você mesmo a frequência característica (verifique o cálculo BPFO/BPFI se for rolamento), avalie a possibilidade de falha do sensor e escreva como você irá verificar em campo. Por fim, reúna as descobertas em uma recomendação de três níveis (parar imediatamente/inspecionar dentro do cronograma/continuar o monitoramento) e explique por que a decisão final de manutenção permanece com o engenheiro qualificado.

lista de verificação

• [ ] O contexto da máquina (tipo, RPM, rolamento/engrenagem, ponto de medição) é fornecido.
• [ ] Qualidade dos dados e frequência de amostragem (Nyquist) verificadas.
• [ ] As frequências de falta mostradas pelo AI foram verificadas pelo cálculo da frequência característica.
• [ ] Possibilidade de erro de calibração/conexão do sensor avaliada.
• [ ] Além do limite absoluto, a tendência também foi examinada.
• [ ] Comentário confirmado por inspeção de campo; A decisão de manutenção foi deixada para o engenheiro competente.