Qualquer máquina treme e vibra. Mas ela irá vibrar um pouco diferente quando há algo errado.
Se você puder detectar uma falha antes que se torne grave, é possível se planejar com antecedência e reduzir o tempo que a máquina ficará ociosa. Como todos nós sabemos, tempo é dinheiro.
Para análises e diagnósticos, buscam-se anomalias nas vibrações. Essas mudanças nas vibrações podem sinalizar o desgaste e a necessidade futura de manutenção muito antes de a máquina falhar.
Só que detectar algum indício “diferente” de vibração é considerado difícil, dada a quantidade de ruídos em ambientes normais de funcionamento. É como procurar uma “agulha em um palheiro”.
Essa dificuldade pode ser superada com um novo algoritmo de inteligência artificial criado na Universidade de Alabama em Huntsville (UAH) pelo cientista Rodrigo Teixeira, Ph.D. Esse algoritmo aumenta a precisão dos diagnósticos em complexos sistemas mecânicos.
A capacidade de extrair informação confiável a partir da vibração das máquinas permitirá às empresas, às indústrias, aos hospitais e clínicas, manterem seus ativos em operação por mais tempo e gastar bem menos em manutenções. Além disso, o investimento será apenas em um software, explica Dr. Teixeira, que é líder da área de Sistemas de Monitoramento no Reliability and Failure Analysis Laboratory (RFAL) da UAH.
O cientista explica que os atuais algoritmos de monitoramento supõem que as vibrações são estáticas e que sinais e ruídos podem ser diferenciados pela frequência.
O problema é que essas suposições nem sempre são verdadeiras na vida real.
Então, em vez disso, o que ele e sua equipe têm feito é “ensinar” a um algoritmo de inteligência artificial os princípios básicos da física que governam falhas em um ambiente de vibração.
Em testes cegos, usando dados provenientes de situações reais e altamente imprevisíveis, o algoritmo da RFAL atinge, de forma consistente, mais de 90% de precisão.
No entanto, segundo Dr. Teixeira, esta tecnologia ainda está em fase de testes, para avaliarem como ela se comporta em campo. Se os resultados se mantiverem, constrói-se credibilidade e podem ganhar a aceitação dos seus parceiros do Departamento de Defesa americano.
Essa nova abordagem permitiu ao Exército nos EUA uma nova forma de produzir informações acionáveis de helicópteros, diz Chris Sautter, diretor de confiabilidade da RFAL.
“A abordagem utilizando a aprendizagem de máquina, permite a análise histórica dos dados em vez de analisar apenas um único vôo. Nós treinamos o algoritmo de forma muito parecida de como você treina o seu celular para entender o que você diz. Quando um componente específico que está sendo monitorado percebe vibrações que não refletem o desempenho normal, um alerta é acionado para a equipe de manutenção”, diz Dr. Sautter.
O algoritmo RFAL atende bem aos paradigmas de manutenção adotados em todo o Departamento de Defesa e no setor de aviação comercial, diz Sautter. Com a confiabilidade desse algoritmo, eles esperam atrair uma série de novos clientes para ampliar as pesquisas.
Ao mesmo tempo, Dr. Teixeira e sua equipe estão expandindo a base de clientes para atender também o setor privado. Eles acreditam que irão ter um impacto ainda maior na forma de fazer negócios.
Fonte: Universidade de Alabama
