Diagnóstico de Falhas em Rolamentos Usando Ferramentas de Análise de Vibração Dewesoft

Os rolamentos desempenham um papel crítico em máquinas industriais, e a detecção precoce de falhas é essencial para evitar paradas dispendiosas. Este estudo explora como a análise de vibração, combinada com as ferramentas de aquisição de dados de alta resolução da Dewesoft, pode monitorar de forma eficaz a saúde dos rolamentos. Ao integrar técnicas avançadas de processamento de sinais e de aprendizado de máquina, demonstra uma abordagem poderosa para manutenção preditiva.

Os rolamentos são componentes mecânicos fundamentais em máquinas rotativas, projetados para reduzir o atrito entre partes móveis e suportar cargas radiais e axiais. Existem vários tipos de rolamentos, incluindo rolamentos de rolos e de deslizamento, cada um com aplicações e características específicas.

O diagnóstico de rolamentos é crucial para garantir a confiabilidade e a eficiência das máquinas. Técnicas avançadas, como análise de vibrações e ultrassom, possibilitam a deteção precoce de defeitos e desgaste, ajudando a prevenir falhas inesperadas e períodos de inatividade dispendiosos. 

Além disso, a implementação de sistemas de manutenção preditiva, baseados em monitorização contínua e análise de dados, optimiza as intervenções de manutenção, reduzindo custos e melhorando a produtividade geral.

Em resumo, entender o funcionamento dos rolamentos e adoptar estratégias de diagnóstico eficazes são elementos essenciais para uma manutenção proactiva e para optimizar o desempenho de maquinaria industrial.

O contexto - projeto de doutoramento

O diagnóstico de rolamentos de elementos rolantes faz parte do meu projecto de doutoramento de três anos na Universidade de Parma (Università degli Studi di Parma). Está focado na monitorização baseada em vibração de maquinaria no âmbito da Indústria 4.0. 

A minha investigação visa desenvolver técnicas avançadas para deteção precoce de falhas e manutenção preditiva. Especificamente, aproveitando a análise de vibrações para garantir a fiabilidade e a eficiência de equipamento industrial. Este projecto alinha-se com os objectivos mais amplos da produção inteligente, onde a monitorização contínua das condições desempenha um papel crucial na optimização do desempenho e na minimização do tempo de inactividade.

Neste caso, a universidade desenvolveu um banco de ensaio para investigar o diagnóstico de rolamentos em condições controladas. O conjunto consiste num motor eléctrico accionando um eixo apoiado por dois rolamentos fixos e um rolamento em porte (tipo 6005 SKF), que é sujeito a cargas variáveis e opera a diferentes velocidades de rotação.

Outro motor é colocado à frente do primeiro, permitindo que actue como travão e teste o rolamento com diferentes torques.

A cadeia de medição

O sistema de medição concebido para este estudo está estruturado para assegurar a aquisição de alta fidelidade dos sinais de vibração do rolamento em ensaio. A cadeia começa com um acelerómetro PCB 333B30, um sensor piezoeléctrico de alta sensibilidade especificamente projectado para monitorização de vibrações. As características principais do PCB 333B30 incluem:

• Sensibilidade: 100 mV/g

• Faixa de medição: ±50 g pico

• Faixa de frequência: 0,5 a 3.000 Hz (±5%) 

MonteI o acelerómetro de forma segura próximo ao rolamento 6005 SKF para garantir a deteção precisa das vibrações directamente associadas às suas condições operacionais. Coloquei um segundo acelerómetro no colar de um suporte fixo e usei-o como referência para monitorizar o comportamento geral do banco de ensaio.

O sinal do acelerómetro é condicionado e digitalizado pelo Dewesoft IOLITE-8xACC módulo de aquisição de dados. Este dispositivo é concebido para medições de aceleração de precisão e oferece as seguintes características principais:

• 8 canais de entrada para sensores ICP (Integrated Circuit Piezoelectric) ou IEPE (Integrated Electronics Piezo-Electric)

• Taxa de amostragem até 20 kHz por canal

• Resolução ADC de 24 bits

• Protocolo: EtherCAT, permitindo a transmissão de dados, sincronização e alimentação por um único cabo LAN

O Dewesoft IOLITE-8xACC garante aquisição de sinais de alta qualidade através da monitorização de vibrações do rolamento. Esses sinais são fundamentais para extrair informação no domínio da frequência.

Juntos, o acelerômetro PCB 333B30 e o módulo Dewesoft IOLITE-8xACC formam uma cadeia de medição robusta e precisa, permitindo a detecção e o diagnóstico eficazes de anomalias em rolamentos sob condições de carga e velocidade variadas.

Aquisição e processamento de dados

O DewesoftX software gerencia a aquisição de dados e fornece uma plataforma intuitiva para configuração do sistema, monitoramento em tempo real, gravação de dados e análise de dados. No DewesoftX, posso configurar uma cadeia de aquisição para refletir as especificações de sensibilidade e calibração do acelerômetro PCB 333B30.

DewesoftX inclui módulos matemáticos poderosos para análise avançada de vibrações e de frequência, como a Transformada Rápida de Fourier (FFT). Sua integração perfeita com o hardware Dewesoft faz dele uma caixa de ferramentas completa e precisa para análise do espectro de frequência.

Uma vez que a configuração esteja concluída e verificada, o sistema entra em Modo de Medição. Durante esta fase, adquiri dados em tempo real, com monitoramento contínuo dos sinais no domínio do tempo.

O processamento de dados é viabilizado por software de terceiros graças à ampla gama de formatos de arquivo exportáveis no DewesoftX. Neste caso, exportei os dados em formato compatível com o MATLAB (.mat) e, uma vez importados, os pós-processei.

Durante o pós-processamento, os sinais de vibração são analisados no MATLAB para extrair informações indicativas de falhas. 

Uma técnica chave empregada é a análise de envelope, um método de processamento de sinal usado para detectar e analisar componentes de espectro de alta frequência modulados por sinais de baixa frequência. É altamente eficaz para identificar frequências características de falhas mascaradas por ruído ou por interações mecânicas complexas. 

Você pode pré-processar a análise de envelope usando filtragem autorregressiva ou Pré-Branqueamento por Cepstrum, ou substituí-la por uma combinação de filtragem mediana e diferenciação [1].

Vários cenários de dano foram testados, começando por um rolamento sem danos, depois introduzindo falhas na pista interna, pista externa ou dano do tipo amassamento (brinelling) [2].

Os dados de vibração adquiridos passaram por processamento adicional antes de serem submetidos a vários algoritmos de aprendizado de máquina para avaliar sua capacidade de detectar e classificar automaticamente os cenários de dano.

Análise avançada com aprendizado de máquina

Nas etapas finais deste estudo, empreguei técnicas avançadas baseadas em Machine Learning (ML) e Deep Learning (DL) para aprimorar o processo de diagnóstico. Em vez de confiar apenas em métodos clássicos de processamento de sinal, essas abordagens concentram-se na extração automática de características relevantes a partir dos dados brutos de vibração para classificar diretamente a condição dos sistemas de rolamento.

Explorei várias metodologias:

• Redes Neurais Convolucionais (CNNs
  Usadas para aprender automaticamente padrões espaciais e temporais em sinais de vibração. Ao tratar os dados de vibração como entradas 1D ou 2D, as CNNs podem identificar assinaturas de falhas complexas sem extensa engenharia manual de características.

• Autoencoders Variacionais (VAEs)
  Empregados para extração de características não supervisionada. Ao aprender uma representação latente e comprimida dos sinais de entrada, os VAEs capturam características essenciais de condições saudáveis e defeituosas. Eu então posso usar essas variáveis latentes para classificação subsequente ou detecção de anomalias.

• Análise Discriminante Linear (LDA) combinada com Máquina de Vetores de Suporte (SVM)
  Uma abordagem híbrida que utiliza LDA para redução de dimensionalidade e projeção ótima de características, seguida da classificação por SVM. A LDA melhora a separação entre classes (por exemplo, rolamentos saudáveis vs. defeituosos), enquanto a SVM fornece uma fronteira de decisão robusta para classificação de alta precisão.

Esses métodos de ML e DL aproveitam tanto estruturas lineares quanto não lineares nos dados, permitindo maior sensibilidade a assinaturas sutis de falhas e melhor generalização sob condições operacionais variadas. Integrar essas técnicas orientadas por dados representa um passo significativo em direção a um diagnóstico automatizado e altamente confiável de falhas em rolamentos.

A Figura 9 ilustra que LDA e SVM podem fornecer um conjunto de dados facilmente classificável com base nas vibrações medidas. 

Conclusões

Este estudo apresenta uma abordagem abrangente para o diagnóstico de falhas em rolamentos, integrando medição precisa de vibração, processamento de sinal avançado e técnicas de classificação orientadas por dados. 

Ao utilizar um banco de ensaio dedicado, sensores de vibração de alta fidelidade (PCB 333B30) e o sistema de aquisição de dados Dewesoft IOLITE-8xACC, fomos capazes de capturar dados de vibração confiáveis e de alta resolução sob várias condições operacionais.

A implementação de técnicas clássicas de processamento de sinal — como análise de envelope, filtragem por mediana e diferenciação — mostrou-se eficaz na extração de características relevantes relacionadas a falhas a partir de sinais de vibração ruidosos e complexos. Além disso, a exportação de dados para o MATLAB possibilitou análises flexíveis e aprofundadas das assinaturas de falha.

Para aprimorar ainda mais as capacidades de diagnóstico, foram empregados algoritmos de aprendizado de máquina e aprendizado profundo, incluindo redes neurais convolucionais (CNNs), autoencoders variacionais (VAEs) e o modelo híbrido LDA-SVM. Essas técnicas possibilitaram a detecção e classificação automáticas de falhas em rolamentos com intervenção manual mínima, ressaltando o potencial para sistemas automatizados de monitoramento da integridade estrutural em tempo real.

No geral, os resultados validam a eficácia de combinar o processamento de sinal tradicional com técnicas modernas de IA na avaliação de falhas em rolamentos. Essa metodologia em múltiplas camadas não apenas melhora a precisão do diagnóstico, mas também apoia estratégias de manutenção preditiva, reduzindo, em última instância, o tempo de inatividade, prevenindo falhas inesperadas de rolamentos e otimizando o desempenho das máquinas em ambientes industriais.

Referências

1. Sawalhi, N. (2018). Diagnóstico localizado de falhas em rolamentos de elemento rolante usando diferenciação de sinal e filtração por mediana. Journal of Vibroengineering, 20(3), 1353–1370.

2. Saxena, M., Bannett, O. O., & Sharma, V. (2016). Avaliação de falhas em rolamentos para monitoramento da integridade estrutural, detecção de falhas, prevenção de falhas e prognóstico. Procedia Engineering, 144, 208–214.