Técnicas avançadas de análise da modulação

Neste artigo, que é o sexto de uma série, trata-se do tema de Técnicas Avançadas de Análise da Modulação, que tem um papel fundamental em diagnóstico por análise de vibrações em máquinas.

Os artigos sobre este tema já publicados foram:

1 Introdução à modulação de vibrações e envelope

2 História da modulação na análise de vibrações

3 Conceito de modulação e sua origem física

4) Fundamentos Matemáticos da Modulação de Vibrações

5) Desmodulação e análise de envolvente

6.1 Introdução

Durante mais de três décadas, a análise por envolvente constituiu a técnica de referência para a deteção precoce de defeitos em rolamentos e engrenagens. A sua elevada sensibilidade permitiu identificar falhas muito antes de estas provocarem aumentos significativos da vibração global, tornando-se uma ferramenta indispensável na manutenção preditiva.

Contudo, o desenvolvimento de máquinas cada vez mais complexas revelou limitações importantes desta abordagem. Máquinas de velocidade variável, transmissões planetárias, turbinas, aerogeradores, compressores alternativos e equipamentos sujeitos a fortes variações de carga produzem sinais altamente não estacionários, nos quais a modulação varia continuamente ao longo do tempo.

Nestas condições, a análise por envolvente convencional pode perder sensibilidade ou produzir resultados ambíguos, justificando o desenvolvimento de métodos mais sofisticados de processamento digital de sinal.

Figura 6.1 – Evolução das técnicas de análise da modulação.

6.2 Kurtosis espectral

Uma das maiores dificuldades da análise por envolvente consiste na seleção da banda de frequências.

Durante muitos anos, esta escolha dependia exclusivamente da experiência do analista.

A introdução da Kurtosis espectral (SK) alterou significativamente este processo.

A Kurtosis Espectral mede o grau de impulsividade existente em diferentes regiões do espectro.

Bandas contendo impactos apresentam valores elevados de kurtosis.

Desta forma, torna-se possível identificar automaticamente a região onde existe maior probabilidade de ocorrência de defeitos.

Esta técnica foi introduzida por Jerome Antoni e representa um dos maiores avanços no diagnóstico de rolamentos.

Figura 6.2 – Mapa de Kurtosis Espectral identificando a banda ótima para análise por envolvente.

6.3 Fast Kurtogram

O Fast Kurtogram constitui uma evolução prática da Kurtosis Espectral.

O algoritmo divide automaticamente o espectro em centenas de bandas de diferentes larguras.

Para cada banda calcula-se a kurtosis.

O resultado é apresentado sob a forma de um mapa bidimensional.

A banda correspondente ao maior valor de kurtosis é selecionada automaticamente para a análise por envolvente.

Esta metodologia encontra-se atualmente implementada em diversos analisadores FFT e programas de diagnóstico.

Figura 6.3 – Exemplo de Fast Kurtogram com seleção automática da melhor banda de demodulação.

6.4 Análise Cicloestacionária

Os sinais produzidos por máquinas rotativas raramente são completamente estacionários.

Apesar disso, apresentam frequentemente propriedades estatísticas que se repetem ciclicamente.

Esses sinais designam-se cicloestacionários.

A análise cicloestacionária explora precisamente essa característica.

Em vez de analisar apenas a energia, avalia também a periodicidade estatística das vibrações.

Esta abordagem permite:

• separar diferentes mecanismos de modulação;
• reduzir significativamente a influência do ruído;
• identificar defeitos extremamente precoces.

Nos últimos anos tornou-se uma das áreas mais ativas da investigação em diagnóstico de máquinas.

Figura 6.4 – Representação conceptual da análise cicloestacionária e da identificação das frequências cíclicas.

6.5 Técnicas baseadas em Inteligência Artificial

O aumento da capacidade computacional permitiu combinar técnicas clássicas de processamento digital com algoritmos de aprendizagem automática.

Atualmente encontram-se disponíveis métodos baseados em:

• Redes Neuronais;
• Support Vector Machines;
• Random Forest;
• Gradient Boosting;
• Deep Learning;
• Transformers;
• Large Language Models aplicados ao diagnóstico.

Nestes sistemas, a informação proveniente da FFT, envolvente, kurtosis, cepstrum e cicloestacionaridade é utilizada como conjunto de características (features) para classificação automática do estado da máquina.

Nos sistemas mais recentes, a inteligência artificial auxilia também:

• seleção automática da banda de análise;
• identificação dos defeitos;
• estimativa da severidade;
• previsão da vida remanescente (Remaining Useful Life — RUL).

Figura 6.5 – Arquitetura moderna de diagnóstico assistido por Inteligência Artificial, integrando sensores, processamento digital e modelos de aprendizagem automática.

6.6 Tendências futuras

A evolução da monitorização da condição aponta para sistemas cada vez mais autónomos.

As principais tendências incluem:

• monitorização contínua em tempo real;
• sensores MEMS de elevada sensibilidade;
• processamento distribuído (Edge Computing);
• computação em nuvem;
• gémeos digitais (Digital Twins);
• inteligência artificial generativa;
• manutenção prescritiva.

Nestes sistemas, a análise por envolvente continuará a desempenhar um papel fundamental, mas integrada com técnicas mais avançadas de processamento e modelos inteligentes de diagnóstico.

Figura 6.6 – Evolução da monitorização da condição: do acelerómetro ao gémeo digital e à manutenção prescritiva baseada em IA.

6.7 Comparação entre as principais técnicas

Tabela 6.1 – Comparação entre as principais técnicas

Técnica	Defeitos precoces	Velocidade variável	Escolha automática da banda	Complexidade
FFT	Baixa	Baixa	Não	Baixa
Envolvente	Muito elevada	Média	Não	Média
Kurtosis Espectral	Muito elevada	Baixa	Sim	Média
Fast Kurtogram	Excelente	Média	Sim	Elevada
Cicloestacionária	Excelente	Excelente	Sim	Elevada
IA	Depende dos dados	Excelente	Sim	Muito elevada

6.8 Técnicas Avançadas de Análise da Modulação – Síntese

A análise por envolvente revolucionou o diagnóstico de máquinas rotativas ao permitir detetar defeitos em fases muito iniciais. Contudo, a crescente complexidade das máquinas industriais e das condições de funcionamento impulsionou o desenvolvimento de técnicas mais avançadas, como a Kurtosis Espectral, o Fast Kurtogram, o Cepstrum, a análise Cicloestacionária e os métodos baseados em inteligência artificial.

Estas técnicas não substituem a análise por envolvente; complementam-na, permitindo aumentar a sensibilidade, automatizar a seleção da banda de análise e melhorar a robustez do diagnóstico em ambientes industriais complexos.

Referências

• Antoni, J. – “The spectral kurtosis: a useful tool for characterising non-stationary signals”, Mechanical Systems and Signal Processing, 20(2), 2006.
• Antoni, J.; Randall, R.B. – “The spectral kurtosis: application to the vibratory surveillance and diagnostics of rotating machines”, Mechanical Systems and Signal Processing, 20(2), 2006.
• Antoni, J. “Cyclostationarity by Examples.” Mechanical Systems and Signal Processing, 2009.
• Braun, S. Mechanical Signature Analysis. Academic Press, 1986.
• Harris, C. M.; Piersol, A. G. Harris’ Shock and Vibration Handbook. McGraw-Hill.
• McFadden, P. D.; Smith, J. D. “Model for the Vibration Produced by a Single Point Defect in a Rolling Element Bearing.” Journal of Sound and Vibration, 1984.
• Randall, R.B.; Antoni, J. – “Rolling element bearing diagnostics — A tutorial”, Mechanical Systems and Signal Processing, 25(2), 2011.
• Randall, R.B. – Vibration-based Condition Monitoring: Industrial, Automotive and Aerospace Applications, 2nd Ed., Wiley, 2021.