Como Prever a Falha do Eixo CNC com Análise de Vibração e Monitoramento por IA

PFT, Shenzhen

 A detecção precoce de falhas iminentes no fuso CNC é fundamental para minimizar o tempo de inatividade não planejado e reparos dispendiosos. Este artigo detalha uma metodologia que combina a análise de sinais de vibração com inteligência artificial (IA) para manutenção preditiva. Dados de vibração de fusos operacionais sob cargas variáveis são coletados continuamente usando acelerômetros. Características-chave, incluindo estatísticas no domínio do tempo (RMS, curtose), componentes no domínio da frequência (picos do espectro FFT) e características tempo-frequência (energia wavelet), são extraídas. Esses recursos servem como entradas para um modelo de aprendizado de máquina em conjunto que combina redes de memória de curto prazo (LSTM) para reconhecimento de padrões temporais e máquinas de aumento de gradiente (GBM) para classificação robusta. A validação em conjuntos de dados de centros de fresagem de alta velocidade demonstra a capacidade do modelo de detectar falhas de rolamentos em desenvolvimento e desequilíbrio até 72 horas antes da falha funcional, com uma precisão média de 92%. A abordagem oferece uma melhoria significativa em relação ao monitoramento de vibração tradicional baseado em limiares, permitindo o agendamento proativo de manutenção e a redução do risco operacional.

1 Introdução

As máquinas-ferramentas CNC formam a espinha dorsal da manufatura de precisão moderna. O fuso, possivelmente o componente mais crítico e caro, impacta diretamente a precisão da usinagem, o acabamento da superfície e a produtividade geral. A falha súbita do fuso leva a um tempo de inatividade catastrófico, peças de trabalho descartadas e reparos de emergência caros, custando aos fabricantes milhares por hora. Os cronogramas de manutenção preventiva tradicionais, baseados em intervalos de tempo fixos ou contadores de tempo de execução simples, são ineficientes – potencialmente substituindo componentes saudáveis ou perdendo falhas iminentes. A manutenção reativa após a falha é proibitivamente cara. Consequentemente, o Monitoramento Baseado em Condição (CBM), particularmente a análise de vibração, ganhou destaque. Embora eficaz para identificar graves falhas, o monitoramento de vibração convencional geralmente luta com a detecção precoce de incipientes falhas. Este artigo apresenta uma abordagem integrada que utiliza processamento avançado de sinais de vibração, juntamente com análises orientadas por IA, para prever com precisão falhas no fuso com bastante antecedência.

2 Métodos de Pesquisa

2.1 Design e Aquisição de Dados

O objetivo principal é identificar assinaturas de vibração sutis indicativas de degradação em estágio inicial antes da falha catastrófica. Os dados foram coletados de 32 fusos de fresagem CNC de alta precisão operando em produção de componentes automotivos em 3 turnos por mais de 18 meses. Acelerômetros piezoelétricos (sensibilidade: 100 mV/g, faixa de frequência: 0,5 Hz a 10 kHz) foram montados radialmente e axialmente em cada carcaça do fuso. As unidades de aquisição de dados amostraram sinais de vibração a 25,6 kHz. Os parâmetros operacionais (velocidade do fuso, torque de carga, taxa de avanço) foram registrados simultaneamente através da interface OPC UA do CNC.

2.2 Engenharia de Recursos

Os sinais de vibração brutos foram segmentados em épocas de 1 segundo. Para cada época, um conjunto abrangente de recursos foi extraído:

• Domínio do Tempo: Raiz Quadrada Média (RMS), Fator de Crista, Curtose, Assimetria.

• Domínio da Frequência (FFT): Amplitudes e frequências de pico dominantes dentro das bandas de falha de rolamento características (BPFO, BPFI, FTF, BSF), energia geral em bandas específicas (0-1kHz, 1-5kHz, 5-10kHz), curtose espectral.

• Domínio Tempo-Frequência (Transformada de Pacote Wavelet - Daubechies 4): Entropia de energia, níveis de energia relativos em nós de decomposição associados às frequências de falha.

• Contexto Operacional: Velocidade do fuso, porcentagem de carga.

2.3 Desenvolvimento do Modelo de IA

Uma arquitetura de modelo em conjunto foi empregada:

1. Rede LSTM: Processou sequências de 60 vetores de recursos consecutivos de 1 segundo (ou seja, 1 minuto de dados operacionais) para capturar padrões de degradação temporal. A camada LSTM (64 unidades) aprendeu dependências em etapas de tempo.

2. Máquina de Aumento de Gradiente (GBM): Recebeu os mesmos recursos agregados em nível de minuto (média, desvio padrão, máximo) e o estado de saída do LSTM. O GBM (100 árvores, profundidade máxima 6) forneceu alta robustez de classificação e insights de importância de recursos.

3. Saída: Um neurônio sigmóide fornecendo a probabilidade de falha nas próximas 72 horas (0 = Saudável, 1 = Alta Probabilidade de Falha).
   Treinamento e Validação: Dados de 24 fusos (incluindo 18 eventos de falha) foram usados para treinamento (70%) e validação (30%). Dados dos 8 fusos restantes (4 eventos de falha) constituíram o conjunto de testes de retenção. Os pesos do modelo estão disponíveis mediante solicitação para estudos de replicação (sujeito a NDA).

3 Resultados e Análise

3.1 Desempenho Preditivo

O modelo em conjunto superou significativamente os alarmes de limiar RMS tradicionais e as abordagens de modelo único (por exemplo, SVM, CNN básica) no conjunto de testes:

• Precisão Média: 92%

• Recall (Taxa de Detecção de Falhas): 88%

• Taxa de Falsos Alarmes: 5%

• Tempo Médio de Antecipação: 68 horas
  Tabela 1: Comparação de Desempenho no Conjunto de Testes
  | Modelo | Precisão Média | Recall | Taxa de Falsos Alarmes | Tempo Médio de Antecipação (horas) |
  | :------------------- | :------------- | :----- | :--------------- | :------------------- |
  | Limiar RMS (4 mm/s) | 65% | 75% | 22% | < 24 |
  | SVM (Kernel RBF) | 78% | 80% | 15% | 42 |
  | CNN 1D | 85% | 82% | 8% | 55 |
  | Conjunto Proposto (LSTM+GBM) | 92% | 88%| 5% | 68 |

3.2 Principais Descobertas e Inovação

• Detecção Precoce de Assinaturas: O modelo identificou de forma confiável aumentos sutis na energia de alta frequência (banda de 5-10kHz) e valores de curtose crescentes 50+ horas antes da falha funcional, correlacionando-se com o início microscópico de lascas no rolamento. Essas mudanças eram frequentemente mascaradas pelo ruído operacional em espectros padrão.

• Sensibilidade ao Contexto: A análise da importância dos recursos (via GBM) confirmou o papel crítico do contexto operacional. As assinaturas de falha se manifestaram de forma diferente a 8.000 RPM vs. 15.000 RPM, o que o LSTM aprendeu efetivamente.

• Superioridade sobre Limiares: O monitoramento RMS simples não conseguiu fornecer tempo de antecedência suficiente e gerou falsos alarmes frequentes durante operações de alta carga. O modelo de IA adaptou dinamicamente os limiares com base nas condições de operação e aprendeu padrões complexos.

• Validação: A Figura 1 ilustra a probabilidade de saída do modelo e os principais recursos de vibração (Curtose, Energia de Alta Frequência) para um fuso que desenvolve uma falha no rolamento da pista externa. O modelo acionou um alerta (Probabilidade > 0,85) 65 horas antes da apreensão completa.

4 Discussão

4.1 Interpretação

A alta precisão preditiva decorre da capacidade do modelo de fundir recursos de vibração multidomínio dentro de seu contexto operacional e aprender trajetórias de degradação temporal. As camadas LSTM capturaram efetivamente a progressão das assinaturas de falha ao longo do tempo, uma dimensão frequentemente negligenciada em análises instantâneas. O domínio da energia de alta frequência e da curtose como indicadores precoces se alinha com a teoria da tribologia, onde defeitos superficiais incipientes geram ondas de tensão transitórias que impactam frequências mais altas.

4.2 Limitações

• Escopo de Dados: A validação atual é principalmente em falhas de rolamentos e desequilíbrio. O desempenho em falhas menos comuns (por exemplo, falhas no enrolamento do motor, problemas de lubrificação) requer estudos adicionais.

• Dependência do Sensor: A precisão depende da montagem e calibração adequadas do acelerômetro. A deriva ou dano do sensor pode impactar os resultados.

• Carga Computacional: A análise em tempo real requer hardware de computação de ponta próximo à máquina.

4.3 Implicações Práticas

• Tempo de Inatividade Reduzido: Alertas proativos permitem o agendamento de manutenção durante paradas planejadas, minimizando a interrupção.

• Custos Mais Baixos: Evita danos catastróficos (por exemplo, eixos de fuso destruídos), reduz as necessidades de estoque de peças de reposição (substituição just-in-time) e otimiza a mão de obra de manutenção.

• Implementação: Requer investimento inicial em sensores, gateways de ponta e integração de software. Soluções baseadas em nuvem estão surgindo, diminuindo as barreiras para fabricantes menores. O ROI é normalmente alcançado em 6-12 meses para fusos de alta utilização.

5 Conclusão

Este estudo demonstra a eficácia da integração da extração abrangente de recursos de vibração com um modelo de IA em conjunto LSTM-GBM para a previsão precoce de falhas no fuso CNC. A abordagem atinge alta precisão (92%) e tempo de antecedência significativo (média de 68 horas), superando substancialmente os métodos tradicionais de monitoramento de vibração. As principais inovações incluem a fusão de recursos multidomínio, a modelagem explícita de padrões de degradação temporal via LSTM e a robustez fornecida pelo aprendizado em conjunto GBM.