Resumo Executivo: A detecção antecipada de anomalias em máquinas rotativas é um dos pilares mais estratégicos da Indústria 4.0. Pesquisas conduzidas pelo Prof. Me. Gregory Chagas da Costa Gomes no laboratório NERsD/IFSC resultaram na criação de modelos analíticos baseados em Deep Autoencoders capazes de aprender o padrão nominal de operação de motores e emitir diagnósticos preventivos em tempo real, antes que surjam danos mecânicos irreversíveis.
1. O Desafio Industrial das Falhas Ocultas
Em plantas fabris de manufatura contínua — como montadoras, cerâmicas, frigoríficos, fábricas de papel e indústrias químicas —, motores de indução trifásicos são os principais conversores eletromecânicos responsáveis pela movimentação de esteiras, bombas e compressores. O colapso repentino de um único motor de grande porte pode paralisar turnos inteiros de produção, acarretando prejuízos financeiros substanciais e riscos operacionais.
A manutenção preditiva clássica costuma exigir coletas pontuais de vibração realizadas manualmente por inspetores técnicos em rotas mensais. Esse método, além de oneroso, cria janelas de incerteza: fissuras microscópicas em pistas de rolamentos ou desbalanceamentos térmicos repentinos podem evoluir para quebra catastrófica no intervalo entre duas inspeções periódicas.
2. A Solução do NERsD: Deep Learning Não Supervisionado
Para superar as limitações das ferramentas comerciais, a pesquisa liderada pelo Prof. Gregory Chagas desenvolveu uma arquitetura computacional baseada em Autoencoders Profundos. A principal inovação do método reside no paradigma de aprendizado não supervisionado:
- Eliminação da dependência de históricos de quebra: Ao contrário dos classificadores tradicionais que precisam de milhares de amostras de motores danificados para aprender, o autoencoder é treinado exclusivamente com a máquina operando em seu estado íntegro e saudável.
- Compressão e Reconstrução Dimensional: A rede neural aprende o espaço latente de representação das variáveis físicas essenciais (aceleração triaxial, harmônicos de corrente e gradiente térmico).
- Erro de Reconstrução como Métrica de Degradação: Quando uma folga milimétrica ou microfissura se instala, a rede não consegue reconstruir os sinais de entrada com perfeição. O erro quadrático médio (MSE) eleva-se instantaneamente, disparando alarmes antes mesmo de o ruído se tornar perceptível ao operador.
3. Arquitetura Modular e Registro de Software no INPI
A tecnologia desenvolvida no laboratório não ficou confinada a relatórios acadêmicos. O algoritmo foi empacotado como uma API RESTful modular registrada oficialmente pelo IFSC junto ao Instituto Nacional da Propriedade Industrial (INPI):
📌 Registro INPI: API de Sistema de Machine Learning Voltado à Detecção de Falhas em Motores Elétricos (Certificado de Registro de Programa de Computador).
A API permite que qualquer sistema SCADA, supervisório em nuvem ou aplicativo móvel faça requisições periódicas com os dados coletados de sensores de vibração e receba o índice exato de saúde do ativo em milissegundos, com recomendações automatizadas para as equipes de engenharia de confiabilidade.
4. Conclusão e Impacto no Setor Produtivo
A robustez alcançada por este projeto viabilizou o transbordamento do conhecimento para novas fronteiras do laboratório NERsD, incluindo a detecção de anomalias em parques de energia solar fotovoltaica e o sensoriamento acústico distribuído. A integração de algoritmos avançados a equipamentos reais consolida a vocação do IFSC em gerar soluções de impacto direto na produtividade e competitividade industrial do Brasil.
#Autoencoders
#Manutenção Preditiva
#Indústria 4.0
#NERsD IFSC
Comments are closed