Experiência na aplicação de IA num analisador de vibrações portátil

1 - INTRODUCCIÓN

Perspetiva-se que a inteligência artificial (I A) 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 (I A) em analisadores de vibrações portáteis está também a revolucionar a manutenção preditiva e traz uma série de benefícios significativos.

Figura 1 – Apresentação dos resultados do sistema de IA, FASITO 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.

Figura 2 – Edge Computing e diagnóstico no FASIT

A partir dos resultados desta implementação o sistema elabora diagnósticos e emite recomendações.

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

3 EXEMPLO DE APLICAÇÃO DO FASIT NO DIAGNÓSTICO

En este caso, o FASIT, desde a sua implementação apresentou um alarme para o Nível Global de Vibração do lado do acionamento na bomba. Identificava ainda como anomalia, desequilíbrio e folgas mecânicas. Na figura a seguir apresentada pode-se ver o diagnóstico.

Figura 4 – FASIT a diagnosticar desaperto em bomba.

Uma inspeção à base da bomba permitiu confirmar, a existência de folgas.

No gráfico a seguir apresentado pode-se ver a evolução do nível de vibrações e o FASIT depois de efetuada a correção.

Figura 5 – FASIT e evolução do nível de vibrações depois do aperto da base da bomba.

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 (encima de 85%).
3. A percentagem de condições identificadas corretamente, de 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

É crucial entender que não existe uma percentagem fixa de falsos positivos e falsos negativos que se pode esperar da utilização de IA em analisadores de vibração portáteis. Essa percentagem varia significativamente dependendo de vários fatores.

Figura 5 – Os falsos negativos e os falsos positivos

Fatores que influenciam as taxas de falsos positivos e falsos negativos:

1. Qualidade e quantidade dos dados de treino:
   • Dados de alta qualidade: Quanto mais limpos, completos e representativos forem os dados usados para treinar o modelo de IA, menor será a taxa de erros. Dados com ruído, incompletos ou mal rotulados levam a modelos menos precisos.
   • Quantidade de dados: Modelos de IA precisam de uma quantidade substancial de dados (de vibrações de máquinas saudáveis e com falhas diversas) para aprenderem padrões de forma eficaz. Poucos dados podem resultar num modelo que não generaliza bem, aumentando os erros.
2. Complexidade do modelo de IA e algoritmos utilizados:
   • Algoritmos mais sofisticados e redes neurais mais profundas podem, em teoria, capturar padrões mais complexos e reduzir erros, 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, velocidad, 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” mi “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

Figura 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%. Sin embargo, 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” o “auditor” das sugestões do sistema. Ferramentas específicas, como o sistema FASIT (Herramienta de indicación de fallas y gravedad) 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.