Experiência na aplicação de IA num analisador de vibrações portátil

1 – INTRODUÇÃO

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.

Figura 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.

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

Neste 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 (acima 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, velocidade, 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

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%. No entanto, 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” ou “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.