Adaptive Wavelet Threshold Attention and Explainable Lightweight CNN for Strongly Time-Varying Fault Diagnosis and Feature Extraction Mechanism of Rotating Machinery

No mundo industrial, o zumbido de uma fábrica é frequentemente o som da saúde, mas também é a linguagem da falha. Dentro de engrenagens massivas e motores giratórios, pequenas rachaduras e dentes gastos começam a sussurrar muito antes de gritarem. Para os engenheiros, o desafio sempre foi ouvir esses sussurros sobre o estrondo da própria máquina. Quando uma máquina opera em uma velocidade constante, o som de uma falha é previsível, como uma batida de tambor constante. Mas no mundo real, as máquinas raramente ficam paradas. Elas aceleram, desaceleram e mudam as cargas constantemente. Essa mudança constante embaralha o som de uma falha, fazendo com que ele se desloque e desapareça no ruído de fundo. As ferramentas tradicionais para ouvir essas máquinas costumam ter dificuldades aqui; elas são construídas para condições estáveis e ficam confusas quando o ritmo muda, ou são tão pesadas e complexas que não podem ser instaladas nas próprias máquinas para ouvir em tempo real.

Os pesquisadores Tengji Xia e Pengfei Pang desenvolveram uma nova maneira de ouvir que é ao mesmo tempo nítida e simples. Eles criaram um sistema digital projetado para agir como um ouvido altamente afinado que pode se ajustar à velocidade variável de uma máquina enquanto filtra a estática do chão de fábrica. A abordagem deles, descrita em seu trabalho recente, foca em um tipo específico de inteligência artificial que é leve o suficiente para rodar em pequenos computadores embarcados, mas poderosa o suficiente para encontrar falhas ocultas em rolamentos e engrenagens. Ao combinar um método que entende como as ondas sonoras se esticam e comprimem com um sistema de filtragem inteligente que sabe exatamente quando ignorar o ruído, o sistema deles consegue detectar problemas que outros métodos perdem, mesmo quando a máquina está operando sob condições difíceis e variáveis.

O cerne do trabalho deles aborda um problema que há muito assombra o diagnóstico de falhas: a maneira como as falhas mudam conforme uma máquina acelera ou desacelera. Quando um rolamento ou engrenagem é danificado, ele cria um padrão de vibração específico. No entanto, se a velocidade da máquina não for constante, a frequência dessa vibração muda, de forma muito semelhante ao modo como o tom de uma sirene muda conforme uma ambulância passa. Modelos de computador mais antigos costumam usar configurações fixas para procurar esses sons, o que significa que podem perder uma falha simplesmente porque a velocidade da máquina se desviou ligeiramente do que o modelo esperava. Para resolver isso, os pesquisadores construíram um sistema que não depende de configurações fixas. Em vez disso, utiliza uma ferramenta matemática chamada wavelet, que é excelente em decompor sinais complexos em suas partes, mas eles a tornaram "adaptativa". Isso significa que o sistema pode aprender e ajustar suas próprias configurações internas em tempo real para rastrear o tom variável de uma falha, garantindo que nunca perca o sinal, mesmo que a velocidade da máquina flutue drasticamente.

Para tornar este sistema prático para o mundo real, a equipe teve que superar outro obstáculo: a complexidade. Muitas ferramentas de diagnóstico avançadas são como supercomputadores massivos; são poderosas, mas exigem muita energia e espaço para serem colocadas diretamente em uma máquina de fábrica. Os pesquisadores projetaram sua solução para ser "leve", o que significa que utiliza poucos recursos computacionais. Eles alcançaram isso simplificando o sistema para uma única camada de processamento. Em vez de empilhar muitas camadas de cálculos complexos umas sobre as outras, o que às vezes pode borrar os detalhes delicados de uma falha, o modelo deles utiliza um caminho direto e simplificado. Esse design permite que o sistema processe dados de forma rápida e eficiente, tornando-o adequado para instalação em dispositivos de borda (edge devices) que controlam o maquinário industrial, sem a necessidade de um servidor distante para realizar o trabalho.

Uma parte crítica do sucesso deles reside em como o sistema lida com o ruído. Em uma fábrica barulhenta, o sinal de uma pequena rachadura pode ser abafado pela vibração do chão ou pelo zumbido de motores próximos. Os pesquisadores adicionaram um módulo especial ao seu sistema que atua como um porteiro dinâmico. Este módulo analisa constantemente o som recebido, calculando o nível médio de ruído e as variações do sinal. Com base nesse cálculo, ele define um limiar móvel. Se um pico de som for apenas um ruído aleatório, o porteiro o ignora. Mas se um pico corresponder ao padrão de uma falha, o sistema o potencializa, fazendo com que o sinal fraco se destaque claramente contra o fundo. Esse processo ocorre de forma automática e contínua, permitindo que o sistema amplifique os sinais reais de falha enquanto suprime a interferência, uma capacidade que se provou vital em seus testes.

A equipe testou seu novo sistema em dois conjuntos de dados desafiadores que mimetizam ambientes industriais reais. O primeiro envolveu uma plataforma de rolamento onde a velocidade mudava constantemente, e o segundo envolveu uma engrenagem que foi submetida a cargas e velocidades variáveis. Nestes testes, o sistema foi colocado contra vários outros métodos avançados, incluindo modelos de aprendizado profundo (deep learning) que são muito maiores e mais complexos. Os resultados foram impressionantes. Sob condições onde o ruído era tão alto que normalmente esconderia uma falha, o novo sistema manteve um alto nível de precisão, identificando corretamente o tipo de falha em 93,75 por cento dos casos nos dados da engrenagem e até mais nos dados do rolamento. Em contraste, muitos dos outros métodos viram seu desempenho cair significativamente à medida que o ruído aumentava. O novo sistema também provou ser incrivelmente rápido, exigindo muito menos tempo para analisar os dados do que seus concorrentes, o que é essencial para detectar problemas antes que causem uma quebra.

O que torna este achado particularmente robusto não são apenas os altos números de precisão, mas a prova estatística de que a melhoria é real e não um acaso. Os pesquisadores realizaram testes estatísticos rigorosos para comparar seu sistema com os outros, e os resultados mostraram que a diferença de desempenho foi significativa, especialmente nas condições mais ruidosas. Eles também olharam dentro da "caixa preta" de seu modelo para entender como ele funcionava. Descobriram que a camada de wavelet adaptativa aprendeu com sucesso a rastrear as frequências variáveis das falhas, e o módulo de filtragem de ruído limpou efetivamente o sinal, permitindo que o sistema focasse no problema real. Essa clareza interna dá aos engenheiros confiança de que o sistema não está apenas adivinhando, mas está realmente seguindo as leis físicas de como essas máquinas vibram.

Os pesquisadores também demonstraram que seu sistema pode ser implantado em dispositivos pequenos e de baixa potência, o que é um grande avanço para aplicações industriais. Ao manter o modelo simples e eficiente, eles garantiram que ele não exija hardware caro para rodar. Isso significa que as fábricas poderiam potencialmente instalar essas ferramentas de diagnóstico diretamente em suas máquinas, fornecendo uma verificação de saúde contínua e em tempo real, sem a necessidade de infraestrutura pesada. A capacidade do sistema de lidar com condições fortemente variantes no tempo — onde velocidade e carga estão em constante fluxo — preenche uma lacuna deixada por muitas tecnologias existentes, oferecendo uma maneira confiável de monitorar equipamentos nos ambientes operacionais mais dinâmicos e difíceis.

Em última análise, este trabalho representa uma mudança na forma como abordamos a saúde das máquinas. Ele se afasta da ideia de que precisamos de modelos massivos e complexos para resolver problemas complexos. Em vez disso, mostra que um sistema cuidadosamente projetado e simplificado, que compreende a física do sinal, pode superar modelos mais pesados e rígidos. Ao combinar a capacidade de rastrear frequências variáveis com um filtro de ruído inteligente e adaptativo, os pesquisadores criaram uma ferramenta que é ao mesmo tempo sensível e resiliente. Para as indústrias que dependem da operação contínua de máquinas rotativas, isso oferece um novo nível de segurança: uma maneira de ouvir os sinais mais sutis de falha, mesmo quando a máquina está em seu funcionamento mais caótico, garantindo que a manutenção possa ocorrer antes que um pequeno problema se torne uma falha catastrófica.