An Integrated IoT-Based Predictive Maintenance Framework for Industrial Electrical Assets: A Hybrid Deep Learning Approach

Resumo Técnico: Um Framework Integrado de Manutenção Preditiva Baseado em IoT para Ativos Elétricos Industriais

Definição do Problema
A continuidade da produção industrial e a eficiência energética dependem fortemente da operação confiável de ativos elétricos, particularmente motores de indução e transformadores de distribuição. Apesar dos avanços na Manutenção Preditiva (PdM), as abordagens existentes frequentemente sofrem com processos de tomada de decisão fragmentados e uma dependência de modalidades de sensoriamento isoladas. Os métodos convencionais dependem frequentemente do monitoramento de vibração e térmico, que exigem instalações de sensores intrusivas e enfrentam desafios de escalabilidade. Além disso, muitos estudos atuais tratam a detecção de falhas, a identificação de anomalias e a previsão de manutenção como tarefas separadas, falhando em integrar a detecção precoce de anomalias com recomendações de manutenção acionáveis e a otimização do desempenho energético dentro de um único framework. Existe também uma lacuna no uso de assinaturas multivariadas elétricas e harmônicas de alta resolução como modalidades de sensoriamento primárias para detectar falhas incipientes tanto elétricas quanto eletromecânicas.

Metodologia
O artigo propõe um assistente de PdM integrado baseado em IoT projetado para preencher a lacuna entre a análise de assinatura elétrica e estratégias de manutenção acionáveis. A metodologia é estruturada em torno de quatro componentes principais:

1. Arquitetura de Hardware e Sensoriamento: O sistema utiliza uma plataforma de sensoriamento IoT de nível de analisador baseada no circuito integrado ADE9000 e um microcontrolador ESP32. Esta configuração permite o monitoramento elétrico de alta resolução com uma taxa de amostragem de 8 kHz, visando a precisão de medição Classe S da norma IEC 61000-4-30. O hardware captura tensão, corrente, potência e métricas harmônicas de forma não intrusiva a partir de painéis existentes. Os dados são transmitidos via uma pilha de telemetria resiliente e de baixa latência baseada em MQTT para uma infraestrutura em nuvem.
2. Engenharia de Atributos (Feature Engineering): Um framework de engenharia de atributos multicamadas expande aproximadamente 67 medições elétricas primárias (incluindo valores RMS, componentes de potência e magnitudes harmônicas) em um espaço de atributos derivados de 328 dimensões. Esta expansão captura o comportamento harmônico, desequilíbrio de fase, indicadores de eficiência e dinâmicas temporais para aumentar a separabilidade diagnóstica de padrões de falha complexos.
3. Pipeline Híbrido de Detecção de Anomalias: O núcleo do motor preditivo emprega uma abordagem de modelagem de séries temporais híbrida em dois estágios:
   • Prophet: Utilizado como o primeiro estágio para decompor os dados de séries temporais em componentes de tendência, sazonalidade e eventos. Isso estabelece uma linha de base de "comportamento normal", isolando padrões macroscópicos como turnos de produção e ciclos de carga.
   • LSTM (Long Short-Term Memory): O segundo estágio utiliza uma rede LSTM para analisar as sequências de resíduos geradas pelo Prophet. A LSTM aprende dependências temporais de curto a médio prazo nesses resíduos para quantificar a intensidade da anomalia.
   • Fusão e Decisão: O sistema combina o escore sequencial baseado em erro da LSTM com escores de desvio multivariados (ex: distância de Mahalanobis) para gerar uma métrica de anomalia unificada. Esta métrica é mapeada para ações de manutenção priorizadas (Imediata, Planejada ou Monitorar) e vinculada a degradações específicas da qualidade da energia.
4. Explicabilidade: O framework inclui uma camada de decisão que traduz indicadores de anomalia em relatórios explicáveis, identificando quais atributos (ex: bandas harmônicas específicas ou indicadores de desequilíbrio) mais contribuíram para os desvios detectados.

Principais Contribuições
O estudo apresenta quatro contribuições primárias para o campo da PdM industrial:

• Sensoriamento de Alta Resolução: Implementação de uma plataforma IoT capaz de amostragem de 8 kHz e precisão Classe S, permitendo a detecção de anomalias elétricas e eletromecânicas sutis.
• Espaço de Atributos Avançado: Criação de um espaço de atributos de 328 dimensões derivado de 67 medições primárias, especificamente projetado para capturar dinâmicas de harmônicos e eficiência.
• Modelagem Híbrida: Introdução de um pipeline híbrido Prophet-LSTM que combina a interpretabilidade da decomposição de previsões com o poder preditivo do aprendizado profundo para análise de resíduos.
• Suporte à Decisão Integrado: Desenvolvimento de uma camada explicável que não apenas prevê falhas, mas também quantifica ineficiências energéticas e emissões de carbono, vinculando anomalias técnicas aos impactos econômicos e ambientais.

Resultos Experimentais
O framework foi validado através de uma implantação de quatro meses em motores críticos de grupos de resfriamento em uma instalação industrial. As principais descobertas incluem:

• Detecção de Falhas: O sistema correlacionou com sucesso tendências elevadas nos harmônicos de 5ª e 11ª ordem (harmônicos de sequência negativa) com a degradação mecânica de rolamentos e deslizamento de mancais. Também identificou conexões frouxas e problemas de resistência de enrolamento através da análise de desequilíbrio de fase, distinguindo-os de problemas induzidos pela rede elétrica.
• Métricas de Desempenho: O modelo híbrido Prophet-LSTM superou significativamente os alarmes baseados em regras tradicionais. Em termos de detecção de anomalias, o modelo híbrido alcançou uma acurácia de 0,94, precisão de ,92, recall de 0,90 e um F1-score de 0,91, comparado a 0,78, 0,69, 0,65 e 0,67 respectivamente para o sistema baseado em regras.
• Impacto Energético e Ambiental: O sistema quantificou perdas de energia, estimando que a alta distorção harmônica em um motor resultou em emissões anuais de CO2 equivalentes a 27–28 toneladas. Outro motor com desequilíbrios de fase contribuiu com aproximadamente 12 toneladas de CO2 anualmente. A análise sugeriu que a aplicação de filtros passivos ou a revisão das conexões poderia recuperar mais de 5% e cerca de 3,5% de eficiência, respectivamente.
• Estudo de Ablação: Comparações confirmaram que a abordagem híbrida superou os modelos independentes de Prophet e LSTM, validando a sinergia do uso do Prophet para detrending (remoção de tendência) e da LSTM para detecção de anomalias nos resíduos.

Significância e Alegações
O artigo afirma que o framework proposto oferece uma solução abrangente, escalável e explicável para a PdM industrial. Ao aproveitar assinaturas elétricas de alta resolução, o sistema reduz a dependência de sensores de vibração suplementares, enquanto detecta simultaneamente falhas elétricas e mecânicas. A integração da análise de eficiência energética diretamente no ciclo de decisão de manutenção aborda uma lacuna crítica na literatura existente, onde a otimização de energia é frequentemente tratada como um objetivo secundário. Os autores sustentam que esta abordagem fornece insights acionáveis para a otimização da manutenção e contribui para a descarbonização industrial ao quantificar a pegada de carbono das ineficiências elétricas. O estudo conclui que a abordagem de aprendizado profundo híbrido efetivamente preenche a lacuna entre dados elétricos complexos e estratégias práticas de manutenção, oferecendo uma alternativa robusta aos sistemas especialistas estáticos baseados em regras.