Resumo Técnico: Predição de Comportamento Funcional com Consciência de Incerteza e Avaliação de Fadiga de Materiais para Fábrica Circular

1. Definição do Problema

A transição para uma economia circular exige sistemas de manufatura capazes de reutilizar produtos devolvidos através de múltiplos ciclos de vida. No entanto, os produtos devolvidos (ex: ferramentas elétricas usadas) entram na "Fábrica Circular" (FC) com estados de degradação, históricos de uso e capacidades remanescentes heterogêneos. As avaliações de confiabilidade convencionais, que frequentemente dependem de pressupostos de populações homogêneas ou condições operacionais fixas, são insuficientes para decisões de redespliegue específicas para cada instância.

Existe uma lacuna crítica nas abordagens atuais de Prognóstico e Gestão de Saúde (PHM):

• Separação Funcional vs. Material: A predição de comportamento sistêmico-funcional (a ferramenta funcionará?) raramente é vinculada à avaliação de fadiga de material em nível de componente (uma peça crítica falhará?).
• Incerteza e Histórico: Métodos existentes frequentemente lutam com históricos de uso variáveis e falham em fornecer predições conscientes da incerteza, necessárias para a avaliação de risco sob cenários de uso futuros prescritos.
• Suporte à Decisão: As decisões de redespliegue não podem basear-se apenas na inspeção atual; elas devem considerar como o comportamento funcional e a integridade do material evoluirão sob condições de serviço futuras e específicas.

Este artigo aborda esses desafios propondo um framework unificado para a avaliação específica de instância de uma esmeril angular devolvida, vinculando a predição do comportamento funcional com a avaliação de fadiga de material para apoiar decisões de redespliegue.

2. Metodologia

O framework proposto integra dois pipelines complementares — predição de comportamento funcional e avaliação de fadiga de material — em um único fluxo de trabalho de confiabilidade em streaming.

2.1. Predição do Comportamento Funcional do Sistema

O ramo funcional modela o estado futuro da ferramenta como um problema de aprendizado de sequência condicional.

• Entradas: O modelo aceita um vetor de estado atual (variáveis térmicas, elétricas, rotacionais e geométricas como folgas) e um histórico de uso recente (janelas de força e torque).
• Arquitetura:
  • Encoders: Uma Rede Neural Convolucional (CNN) 1D extrai padrões temporais locais (picos, transientes) das janelas de força-torque. Um Perceptron Multicamadas (MLP) codifica o vetor de estado atual.
  • Backbone Recorrente: As representações fundidas são processadas por uma rede de Long Short-Term Memory (LSTM). A LSTM prevê incrementos em vez de valores absolutos para ancorar as previsões a condições iniciais conhecidas.
  • Cabeça de Saída: Uma cabeça probabilística produz uma média gaussiana e uma variância para nove variáveis funcionais (ex: corrente do motor, velocidade, folgas).
• Treinamento: O modelo é treado usando uma perda de Log-Verossimilhança Negativa (NLL) Gaussiana ponderada, permitindo a estimação tanto dos valores esperados quanto da incerteza preditiva.
• Condicionamento de Cenário: O framework permite a "inferência condicionada por cenário" ao prescrever janelas de uso futuras, possibilitando a avaliação da confiabilidade sob condições operacionais planejadas ou hipotéticas.

2.2. Avaliação de Fadiga de Material do Componente

O ramo de material avalia a capacidade de fadiga remanescente do eixo de saída utilizando o mesmo histórico de carga operacional.

• Reconstrução de Tensão: A Análise de Elementos Finitos (FEA) é usada para mapear cargas externas de força-torque para tensões de entalhe local. Um modelo de interpolação traduz séries temporais medidas em séries temporais de tensão no entalhe crítico.
• Modelagem de Fadiga:
  • Iniciação: Uma curva S-N do tipo Basquin (ajustada a dados de flexão rotativa) combinada com a regra de Palmgren-Miner e a extensão de Haibach (para ciclos abaixo do limite) estima o dano cumulativo.
  • Propagação: Um modelo de crescimento de trinca baseado na Lei de Paris estima a vida de uma trinca desde um tamanho inicial ($a_0$) até um tamanho crítico ($a_c$), limitado pela profundidade de encruamento superficial.
• Integração: O modelo de material fornece o dano cumulativo e uma estimativa de confiabilidade de material ($R_{mat}$).

2.3. Consolidação de Confiabilidade em Streaming

Um algoritmo de replay em streaming (Algoritmo 3) consolida ambos os ramos:

• Ele processa janelas de dados sequencialmente, atualizando a confiabilidade funcional ($R_{func}$), a confiabilidade de material ($R_{mat}$) e a confiabilidade do sistema ($R_{sys} = \min(R_{func}, R_{mat})$).
• Ele lida com lacunas de observação propagando as estimativas de dano sobre ciclos ausentes.
• Ele identifica o "ramo governante" (funcional vs. material) em cada ponto de inspeção para determinar o fator limitante para o redespliegue.

3. Principais Contribuições

1. Espaço Funcional-Material Unificado: O artigo estabelece um framework que combina o estado atual do sistema, o histórico de uso recente e a degradação do material em uma representação comum para redespliegue específico de instância.
2. Predição Consciente de Incerteza: Uma arquitetura LSTM treinada com NLL Gaussiana prevê tanto a resposta funcional esperada quanto sua incerteza, facilitando a avaliação de confiabilidade baseada em limiares.
3. Inferência Condicionada por Cenário: A capacidade de prescrever janelas de uso futuras permite a avaliação do comportamento funcional e da confiabilidade sob condições operacionais explícitas e planejadas.
4. Avaliação de Material Integrada: A fadiga do componente é integrada via reconstrução de tensão, avaliação de dano S-N/Miner e análise de crescimento de trinca por Lei de Paris, vinculada diretamente ao histórico de uso do sistema.
5. Fluxo de Trabalho em Streaming: Um algoritmo de replay consolidado atualiza trajetórias de confiabilidade em tempo real, suportando a tomada de decisão dinâmica para produtos devolvidos.

4. Resultados

O framework foi validado usando um estudo de caso de uma esmeril angular com dados experimentais de uma bancada de testes (400 horas de operação) e testes de material de eixos de saída.

4.1. Desempenho da Predição Funcional

• Acurácia: O modelo alcançou uma acurácia de tolerância média de 2% de 0,9652 em nove saídas nos dados de teste não vistos.
• Desempenho por Variável:
  • Variáveis térmicas (temperatura da caixa de engrenagens e do estator) foram preditas quase perfeitamente ($R^2 \approx 0,9999$).
  • Variáveis dinâmicas (corrente do motor de acionamento e velocidade de carga) foram as mais desafiadoras, mas ainda mostraram captura de tendência global alta ($R^2 = 0,9750$ e $0,9924$, respectivamente), embora a tolerância de acurácia local estrita tenha sido menor (0,9174 e 0,8675).
• Comparação de Arquitetura: O LSTM convencional superou o GRU e o xLSTM neste cenário de histórico curto, provavelmente devido à estabilidade do bloco recorrente simples quando os padrões locais são pré-extraídos pela CNN.
• Sensibilidade de Entrada: Estudos de ablação confirmaram que incluir o histórico de torque melhorou significativamente as predições de corrente do motor e velocidade de carga, destacando a necessidade de dados de histórico de carga além da inspeção estática.

4.2. Confiabilidade e Incerteza

• Calibragem: Para a corrente do motor de acionamento (a única variável com eventos de excesso suficientes), as probabilidades de excesso preditas corresponderam de perto às taxas observadas (ex: predito 0,0600 vs. observado 0,0646). O Erro de Calibragem Esperado (ECE) foi baixo (0,0085–0,0086).
• Análise de Sobrevivência: A análise de Weibull resultou em uma vida B10 de 5,22 passos relativos para o excesso de corrente do motor.

4.3. Fadiga de Material e Reusabilidade

• Condições Nominais: Sob tensões de serviço nominais (aprox. 2,88 MPa de tensão de entalhe), o eixo de saída mostrou dano de Miner negligenciável, indicando alta reusabilidade.
• Sensibilidade a Eventos de Alta Carga: A análise da Lei de Paris revelou extrema sensibilidade a eventos raros de alta carga.
  • Carga Nominal: ~31 ciclos de reuso potencial.
  • Amplificação de 1,2x (topo dos 10% de tensão): ~20 ciclos.
  • Amplificação de 1,6x: ~3 ciclos.
  • Amplificação de 2,0x: ~1 ciclo.
• Implicação: A reusabilidade do material é governada pela cauda superior do espectro de carga, não apenas pelo uso médio.

4.4. Replay Integrado

Um replay sequencial sobre 18 arquivos de inspeção demonstrou que os ramos funcional e de material operam de forma coerente. No cenário testado, tanto $R_{func}$ quanto $R_{mat}$ permaneceram em 1,0 (seguro), com o ramo de material sendo identificado como o limitante apenas devido a um empate. A corrente do motor de acionamento permaneceu como o principal indicador de risco funcional.

5. Significância e Alegações

O artigo alega fornecer o primeiro framework de avaliação integrada que vincula o carregamento operacional medido tanto ao cumprimento funcional futuro quanto à vida de fadiga estrutural remanescente dentro de um único fluxo de trabalho em streaming.

• Mudança de Paradigma de Decisão: O trabalho apoia uma mudança da classificação baseada em inspeção para o redespliegue baseado em predição. Argumenta-se que a adequação de um produto devolvido depende de sua função futura esperada e integridade do componente, não apenas de seu estado atual.
• Especificidade de Instância: O framework permite decisões para produtos individuais com históricos heterogêneos, afastando-se de pressupostos de nível de população.
• Limitações Modestas: Os autores afirmam explicitamente que, embora o framework demonstre a integração consistente do fluxo de trabalho, o estudo de caso específico não exibiu um acoplamento físico forte entre a degradação funcional e a fadiga de material, pois as cargas testadas estavam muito abaixo do regime crítico de fadiga. Os resultados provam primariamente a viabilidade do método e do fluxo de trabalho, em vez de uma trajetória de degradação física forte neste conjunto de dados específico.
• Necessidades Futuras: O artigo conclui que a aplicação robusta requer validação em produtos devolvidos reais e heterogêneos, dados de degradação mais ricos em eventos para calibração e métodos aprimorados de reconstrução de carga-tensão.