Experiência na aplicação de IA num analisador de vibrações portátil

1 - INTRODUCTION

Perspetiva-se que a inteligência artificial (IA) terá um papel fundamental e cada vez mais importante na manutenção de máquinas, revolucionando a forma como as empresas gerenciam seus ativos.

A utilização da Inteligência Artificial (IA) em analisadores de vibrações portáteis está também a revolucionar a manutenção preditiva e traz uma série de benefícios significativos.

Figure 1 – Apresentação dos resultados do sistema de IA, FASIT Da Adash, num analisador de vibrações portátil

2 – O sistema fasit da adash

O sistema FASIT da ADASH é funciona através da implementação de Edge Compiting e de uma série de regras de diagnóstico na análise de sinal efetuada aos sinais medidos nas máquinas.

Figure 2 – Edge Computing e diagnóstico no FASIT

From the results of this implementation the system elaborates diagnostic and issues recommendations.

Figure 3 –O processo de apresentação do diagnóstico pelo sistema de IA FASIT

3 EXEMPLO DE APLICAÇÃO DO FASIT NO DIAGNÓSTICO

In this case, that is, Since its implementation has presented an alarm to the global level of vibration on the drive side on the pump. It also identified as an anomaly, imbalance and mechanical clearances. In the following figure presented can be seen the diagnosis.

Figure 4 - Fasit to diagnose unfolding in pump.

An inspection of the pump allowed to confirm, The existence of clearing.

In the following graph you can see the evolution of the vibration level and the FASIT after the correction has been made.

Figure 5 - Fasit and evolution of vibration level after pump base tightening.

4 – DADOS ESTATÍSTICOS DE IMPLEMENTAÇÃO DO FASIT

Como utilizadora de equipamentos de equipamentos com o sistema FASIT, e pretendendo tirar o maior partido da sua utilização, a DMC necessita de ter resposta a diversas questões práticas, nomedamente:

1. Qual a percentagem de falsos positivos dos seus diagnósticos?
2. Qual a forma de reduzir o número de falsos positivos e falsos negativos?
3. Qual a importância da complexidade da máquina?
4. Qual a importância da parametrização dos alarmes?

Para obter resposta a estas questões foi implementado o sistema FASIT num grupo de XXX máquinas numa fábrica de papel e seguido o resultado da sua implementação.

4.1 Primeira fase da implementação

De forma se obterem os primeiros resultados o sistema foi implementado em 109 máquinas correspondendo a 417 pontos de medida onde se implementou o FASIT.

Esta avaliação debruçou-se sobretudo sobre equipamentos como bombas e ventiladores, na sua maioria, e também agitadores, depuradores e equipamentos com redutores.

O resultado da implementação foi o seguinte:

Como conclusões da primeira fase, tiveram-se:

1. Para esta amostra, o FASIT apresenta uma taxa de sucesso de 83%.
2. O FASIT fornece bons resultados em equipamentos como bombas e ventiladores (above 85%).
3. A percentagem de condições identificadas corretamente, of 67% na penúltima linha reflete sobretudo a presença de equipamentos que, na maioria dos seus pontos de medição apresentam velocidades inferiores a 10Hz.
4. O FASIT tem dificuldade em fornecer diagnósticos em sistemas com redutores devido, à sua baixa velocidade de saída.
5. É imperativo que os equipamentos estejam classificados de forma correta, com os seus níveis de alarme bem definidos, de modo a garantir o bom funcionamento do FASIT.

4.2 Segunda fase da implementação

Na segunda fase de implementação, foram selecionados XXX equipamentos, com XXX pontos de medida onde se implementou o FASIT,

Devido a se terem identificado como de difícil aplicação do FASIT, foram retiradas as seguintes máquinas do estudo:

1. Rolamentos com muito baixa velocidade de rotação como sejam por exemplo os dos rolos de máquinas de papel;
2. Veios intermédios e de saída de engrenagens redutoras;

O resultado da implementação da segunda fase foi o seguinte:

5 – OS FALSOS POSITIVOS E OS FALSOS NEGATIVOS

It is crucial to understand that there is no fixed percentage of false positive and false negatives that can be expected of the use of AI in portable vibration analyzers. This percentage varies significantly depending on several factors.

Figure 5 – Os falsos negativos e os falsos positivos

Factors that influence the rates of false positive and false negatives:

1. Quality and quantity of training data:
   • High quality data: The clearer, complete and representative are the data used to train the AI ​​model, lower the error rate. Noise data, incomplete or poorly labeled lead to less accurate models.
   • Amount of data: AI models need a substantial amount of data (of vibrations of healthy machines and with diverse failures) to learn patterns effectively. Few data can result in a model that does not generalize well, increasing errors.
2. AI model complexity and algorithms used:
   • More sophisticated algorithms and deeper neural networks can, in theory, Capture more complex patterns and reduce errors, mas também exigem mais dados e poder computacional.
   • A parametrização do modelo também é vital. Um modelo mal ajustado pode ser excessivamente sensível (muitos falsos positivos) ou demasiado complacente (muitos falsos negativos).
3. Tipo de Falha e Máquina:
   • Alguns tipos de falhas são mais fáceis de detetar pela vibração do que outros (ex: desequilibrio e desalinhamento tendem a ser mais claros do que pequenas fissuras internas).
   • Máquinas com comportamentos de vibração mais previsíveis e estáveis podem ter taxas de erro mais baixas. Máquinas com vibrações intrinsecamente complexas ou que operam sob condições muito variáveis podem ser mais desafiadoras.
4. Cenário Operacional e Ambiental:
   • Variações significativas na carga da máquina, velocity, temperatura ou mesmo condições ambientais (ruído externo) podem introduzir “ruído” nos dados de vibração e confundir o modelo de IA, levando a erros.
5. Definição do “Normal” e “Anormal”:

A forma como se define o que é uma vibração “normal” e o limiar para acionar um alerta de “anormalidade” influencia diretamente as taxas de erro.

• Falsos Positivos (FP): O sistema alerta para uma falha que não existe.
  • Causas: Modelo excessivamente sensível, ruído nos dados, condições operacionais não representadas nos dados de treino, ou uma anomalia que não é de facto uma falha crítica.
  • Impacto: Leva a inspeções e paragens desnecessárias, desperdiçando tempo e recursos.
• Falsos Negativos (FN): O sistema falha em detetar uma falha real.
  • Causas: Modelo não treinado para aquela falha, modelo demasiado complacente, falha muito pequena ou subtil para ser detetada, ou dados de baixa qualidade que obscurecem o sinal da falha.
  • Impacto: Permite que as falhas progridam, resultando em paragens não planeadas, danos maiores, custos de reparação mais elevados e potenciais riscos de segurança. Em ambientes críticos, um Falso Negativo é geralmente mais problemático do que um Falso Positivo.

6. Ajuste e Otimização Contínua:
   • As taxas de erro não são estáticas. Um sistema de IA que é monitorizado e continuamente otimizado (retreinado com novos dados e ajustado por especialistas) tenderá a reduzir os seus falsos positivos e negativos ao longo do tempo.

6 – A IMPORTÂNCIA DAS EXPECTATIVAS REALISTAS

Figure 6 – Expetativas e realidade

Em vez de uma percentagem específica, é mais útil pensar em intervalos e objetivos. Um sistema de IA bem implementado e com dados de treino adequados em manutenção preditiva pode almejar taxas de precisão acima de 90-95%. However, a forma como essa precisão se distribui entre falsos positivos e falsos negativos é crucial:

• Em aplicações de manutenção preditiva, o objetivo é frequentemente minimizar os falsos negativos, mesmo que isso signifique aceitar um número ligeiramente maior de falsos positivos. É preferível que o sistema alerte para um problema que não existe (e seja verificado) do que falhar em detetar um problema grave que leva a uma falha catastrófica.
• Sistemas de IA de ponta, bem calibrados e em ambientes controlados, podem atingir taxas de falsos negativos muito baixas, por vezes inferiores a 1-5%. As taxas de falsos positivos podem variar um pouco mais, mas um bom sistema procurará mantê-las em um nível manejável para não sobrecarregar as equipas de manutenção.

É fundamental que quem implementa IA em analisadores de vibração, entenda que a validação e o ajuste contínuo são essenciais para otimizar o desempenho do modelo e gerir essas taxas de erro de forma eficaz.

7 – CONCLUSÃO

A implementação de sistemas de IA na manutenção preditiva não busca a substituição dos especialistas, mas a amplificação de suas capacidades. Ao automatizar a análise e o diagnóstico de rotina, a IA liberta o especialista em vibração de tarefas repetitivas e intensivas em dados, permitindo que ele atue como um “validador” or “auditor” das sugestões do sistema. Ferramentas específicas, como o sistema FASIT (Fault And Severity Indication Tool) Da Adash, utilizam técnicas de IA com uma base de conhecimento especializado para oferecer conselhos de diagnóstico, agindo como um auxílio valioso até mesmo para os profissionais mais experientes.