Smartphone-Based Vibration Monitoring for Drill Bit Wear Classification Using Lightweight CNN Fusion Strategies

No mundo da manufatura, as ferramentas que cortam o metal são os heróis anônimos da vida moderna. Desde o bloco do motor de um carro até os componentes precisos de um dispositivo médico, essas ferramentas moldam o mundo físico. No entanto, elas também são frágeis. À medida que uma broca de perfuração corta o aço, ela se desgasta lentamente, tornando-se cega e menos eficaz. Se um trabalhador não perceber esse desgaste, o produto final pode apresentar falhas ou a ferramenta pode quebrar, causando atrasos dispendiosos. Por décadas, as fábricas confiaram em sensores especializados e caros, aparafusados firmemente às máquinas para ouvir as vibrações dessas ferramentas. Esses sensores agem como ouvidos altamente sintonizados, ouvindo as mudanças sutis no som que sinalizam que uma ferramenta está cansada. Mas esses sistemas são pesados, caros e exigem que um técnico os configure perfeitamente, tornando-os difíceis de usar em pequenas oficinas ou em máquinas mais antigas, onde o monitoramento rápido e flexível é necessário.

Uma questão crescente na engenharia é se o dispositivo que está no bolso de todos poderia fazer o trabalho desses sensores industriais. Os smartphones modernos contêm minúsculos detectores de movimento, originalmente projetados para sentir como um telefone é segurado ou movido, que também podem sentir as vibrações de uma máquina. O desafio é que esses sensores de telefone não foram construídos para o ambiente severo e de alta velocidade de um chão de fábrica. Eles capturam dados em uma velocidade muito menor do que o equipamento industrial e são frequentemente colocados frouxamente sobre uma mesa, em vez de estarem aparafusados. Este estudo explora uma ideia ousada: um smartphone padrão, apoiado livremente em uma bancada, ainda consegue ouvir a "voz" de uma broca à medida que ela se desgasta, mesmo que o sinal que ele ouve seja uma versão distorcida e de baixa velocidade do real?

Os pesquisadores partiram para testar essa possibilidade em um cenário de oficina realista. Eles não aparafusaram um telefone a uma máquina nem construíram um suporte especial para ele. Em vez disso, colocaram um smartphone comercial diretamente na mesa de metal de uma máquina de perfuração de alta resistência, logo ao lado da peça de trabalho. Eles usaram o sensor de movimento integrado do telefone para registrar as vibrações enquanto a máquina perfurava furos no aço. Para garantir que estavam medindo a condição da ferramenta com precisão, eles pararam a máquina periodicamente para examinar as brocas sob um microscópio, tirando fotos claras para ver exatamente o quanto a aresta de corte havia se desgastado. Essa inspeção visual serviu como a verdade de campo, permitindo que soubessem precisamente quais gravações correspondiam a uma ferramenta saudável e quais pertenciam a uma ferramenta gasta.

A equipe enfrentou um obstáculo significativo: o sensor do telefone registrava os dados muito mais devagar do que as vibrações rápidas de uma ferramenta de corte. Em termos de engenharia, o telefone estava perdendo os sons de alta frequência que normalmente indicam o desgaste. Os pesquisadores hipotetizaram que, como o telefone estava amostrando as vibrações tão lentamente, os sons de alta frequência perdidos poderiam retornar para as frequências mais baixas que o telefone consegue ouvir, criando um padrão único, embora distorcido. Para dar sentido a esses sinais estranhos, eles não tentaram ouvi-los como ondas sonoras brutas. Em vez disso, transformaram os dados de vibração em imagens. Eles pegaram os registros de vibração das três direções que o telefone podia sentir — para cima e para baixo, de um lado para o outro e para frente e para trás — e os mapearam em uma pequena grade, colorindo-os em vermelho, verde e azul para criar uma pequena imagem colorida. Nesta imagem, a textura da imagem representava a vibração da ferramenta.

Com essas imagens criadas, os pesquisadores treinaram um tipo de inteligência artificial conhecido como rede neural leve para olhar para elas. Eles queriam ver se o computador conseguiria aprender a distinguir entre uma broca saudável e uma gasta apenas olhando para a textura dessas imagens de vibração. Eles testaram diferentes maneiras de combinar as informações das três direções. Um método misturava as três cores imediatamente, enquanto outro método permitia que o computador analisasse cada cor separadamente antes de combinar os resultados. Eles também compararam esses métodos avançados de visão computacional contra ferramentas matemáticas mais antigas e simples para ver qual abordagem funcionava melhor.

Os resultados mostraram que a abordagem do smartphone era, de fato, viável, mas a maneira como os dados eram combinados importava muito. Quando o objetivo era simplesmente dizer se a máquina estava perfurando no momento ou apenas ociosa, o método que misturava as três direções de imediato funcionava melhor. O computador conseguia distinguir rapidamente a quietude de uma máquina parada da vibração ativa do corte. No entanto, quando a tarefa se tornava mais difícil — distinguir entre uma ferramenta levemente gasta e uma fortemente gasta — a estratégia mudava. A abordagem mais bem-sucedida era deixar o computador analisar a vibração de cada direção de forma independente antes de tomar uma decisão final. Esse método permitiu que o sistema focasse nos sinais mais importantes, que vinham da direção do empuxo da broca, enquanto ignorava os sinais ruidosos e menos úteis das outras direções.

O estudo também testou quão bem esses sistemas se manteriam se o telefone fosse esbarrado ou deslocado, simulando a realidade desordenada de uma oficina. Eles simularam cenários onde o sensor do telefone poderia ser sobrecarregado por um impacto súbito ou onde o telefone poderia deslizar ligeiramente, mudando seu ângulo. Os resultados revelaram que o método que analisava cada direção separadamente era muito mais resiliente. Se o telefone fosse batido ou inclinado, o sistema ainda poderia confiar nos dados limpos das direções não afetadas para fazer um diagnóstico correto. Em contraste, o método que misturava tudo imediatamente tinha dificuldades quando os dados de uma direção eram corrompidos, levando a mais erros.

Em última análise, a pesquisa sugere que um smartphone padrão, colocado frouxamente em uma mesa de máquina, pode servir como uma ferramenta surpreendentemente eficaz para monitorar o desgaste da broca. O estudo descobriu que, ao converter dados de vibração em imagens e usar um tipo específico de inteligência artificial, é possível classificar a condição de uma broca com alta precisão, mesmo sem equipamentos caros ou montagem perfeita. Os melhores resultados vieram de um sistema que tratava as diferentes direções de vibração como pistas separadas, combinando-as apenas após uma análise cuidadosa. Essa abordagem provou ser robusta contra os solavancos e deslocamentos que provavelmente aconteceriam em uma fábrica real. Embora o estudo reconheça que isto é uma prova de conceito e que mais testes são necessários em diferentes máquinas e telefones, ele abre uma nova porta para o monitoramento acessível e de baixo custo. Sugere que o futuro da segurança e eficiência fabril pode não exigir sempre hardware especializado e caro, mas poderia, em vez disso, depender dos poderosos e onipresentes sensores que já estão em nossos bolsos.