UNIVERSIDADE ESTADUAL PAULISTA “JÚLIO DE MESQUITA FILHO” FACULDADE DE ENGENHARIA CÂMPUS DE ILHA SOLTEIRA EMILIANA BORSANELLI SILVA DIAGNÓSTICO DE FALHAS, PELO CONTROLE DA VISCOSIDADE DO ÓLEO LUBRIFICANTE, ATRAVÉS DE SISTEMA IMUNOLÓGICO ARTIFICIAL Ilha Solteira 2021 Campus de Ilha Solteira PROGRAMA DE PÓS-GRADUAÇÃO EM ENGENHARIA MECÂNICA EMILIANA BORSANELLI SILVA DIAGNÓSTICO DE FALHAS, PELO CONTROLE DA VISCOSIDADE DO ÓLEO LUBRIFICANTE, ATRAVÉS DE SISTEMA IMUNOLÓGICO ARTIFICIAL Dissertação de Mestrado apresentada à Faculdade de Engenharia de Ilha Solteira – Unesp como parte dos requisitos para obtenção do título de Mestre em Engenharia Mecânica. Área de conhecimento: Mecânica dos Sólidos. Prof. Dr. Aparecido Carlos Gonçalves Orientador. Prof. Dr. Roberto Outa Coorientador. Ilha Solteira 2021 DEDICATÓRIA Dedico este trabalho as minhas queridas avós Esmeralda Trevisan Silva (in memoriam) e Maria Joana Bertochi Borsanelli (in memoriam), ambas tiveram um papel importantíssimo na minha formação ética e profissional. AGRADECIMENTOS Em primeiro momento, agradeço a Deus por me permitir a sabedoria necessária a execução deste trabalho. Agradeço e dedico este trabalho a pessoas essenciais em minha vida, sem as quais a realização deste trabalho não seria possível: Ao professor Dr. Aparecido Carlos Gonçalves, pela orientação com grande competência, seriedade e, principalmente, pelo forte apoio e incentivo ao longo do período de realização deste projeto, e também pela paciência, confiança e amizade. Aos professores Chavarette e Outa por toda ajuda e empenho em buscar soluções para o projeto. Ao professor Gilberto por toda orientação acadêmica desde a graduação. Aos meus pais Mário Luiz da Silva e Vânia Marisa Borsanelli Silva pela amizade, amor e carinho que sempre dedicaram aos seus filhos. Ao meu companheiro de vida, Fernando, que sempre me encorajou a continuar meus estudos. Aos professores das disciplinas que cursei no mestrado e me permitiram crescer tecnicamente. Aos colegas de laboratório Wilson, Gabriel, Guilherme, Thiago e Luiz por toda ajuda e dedicação. A todos os técnicos dos departamentos, por toda ajuda e solidariedade prestada durante a realização do experimento. Ao departamento de Engenharia Mecânica da FEIS-UNESP, pela disponibilidade de laboratórios, oficina e equipamentos. E a todos que contribuíram para a minha evolução acadêmica, profissional e humana. “A ciência mais útil é aquela cujo fruto é o mais comunicável. ” Leonardo di Ser Piero da Vinci. RESUMO O aumento populacional expressivo nas últimas décadas requer o aumento da produtividade em todos os setores, e para conseguir atingir os níveis de produtividade requerido pelo consumo mundial, as máquinas, equipamentos, dispositivos entre outros componentes utilizados na produção em massa precisam estar disponíveis, sem a ocorrência de falhas, ou quantidade excessiva de manutenções desnecessárias. Um dos métodos utilizados para garantir a disponibilidade de equipamentos mecânicos é através do controle de lubrificação. A viscosidade de um lubrificante é um fator decisivo na vida útil de uma máquina ou equipamento, assim como um indicador da “saúde” do sistema onde este é aplicado. A coleta deste lubrificante para análise off-line torna o processo demorado e dispendioso. A medição de uma possível mudança de viscosidade, online, permite a aplicação da manutenção preditiva sem a necessidade de paradas de produção e a um custo bem menor. São raros os trabalhos que conseguem capturar uma pequena mudança de viscosidade em um sistema mecânico. Este trabalho propôs a confecção de um sistema mecânico composto por uma caixa de engrenagens, no qual foi acoplado um sistema de aquisição de dados de sinais de vibrações. Foram criadas 3 viscosidades diferentes através de misturas de lubrificantes semelhantes. Para cada viscosidade foram captados os dados de vibração do sistema, com a variação da frequência de 18 até 30 Hz, com intervalo de 2 em 2 Hz, e aquisição de pelo menos 5.000 dados por leitura. Os dados medidos formaram a base de um sistema imunológico artificial capaz de monitorar online a variação da viscosidade do óleo lubrificante durante o seu uso no sistema mecânico, de modo a diagnosticar o desgaste ou contaminação do óleo lubrificante e evitar a falha dos componentes mecânicos devido à variação da viscosidade no sistema. Os resultados mostraram que o sistema imunológico utilizado conseguiu captar a mudança de viscosidade no sistema de engrenagens construído. A solução desenvolvida pode ser expandida a qualquer outro sistema mecânico com êxito, desde que, sejam conhecidos os parâmetros e condições ideais de funcionamento do equipamento em avaliação. Palavras-chave: análise de vibrações; tribologia; manutenção preditiva; viscosidade; sistema imunológico artificial; redes neurais; inteligência artificial. ABSTRACT The significant population increase in recent decades requires increased productivity in all sectors, and to achieve the levels of productivity required by world consumption, machines, equipment, devices and other components used in mass production need to be available, without the occurrence of failures, or excessive amount of unnecessary maintenance. One of the methods used to ensure the availability of mechanical equipment is through lubrication control. The viscosity of a lubricant can be a decisive factor in the life of a machine or equipment, as well as an indicator of the “health” of the system where it is applied. Collecting this lubricant for offline analysis makes the process time-consuming and costly. The measurement of a possible viscosity change, online, allows the application of predictive maintenance without the need for production stoppages and at a much lower cost. Works that manage to capture a small change in viscosity in a mechanical system are rare. This work proposed the construction of a mechanical system composed of a gearbox, to which a vibration signal data acquisition system was coupled. Three different viscosities were created by mixing similar lubricants. For each viscosity, the system vibration data were collected with the frequency variation from 18 to 30 Hz, with interval of 2 in 2 Hz, and acquisition of at least 5,000 data per reading. The measured data formed the basis of an artificial immune system capable of monitoring online the variation in the viscosity of the lubricating oil during its use in the mechanical system, in order to diagnose the wear or contamination of the lubricating oil and prevent the failure of mechanical components due to viscosity variation in the system. The results showed that the immune system used managed to capture the change in viscosity in the gear system built. The developed solution can be successfully expanded to any other mechanical system, as long as the parameters and ideal operating conditions of the equipment under evaluation are known. Keywords: vibration analysis; tribology; predictive maintenance; viscosity; artificial immune system; neural networks; artificial intelligence. LISTA DE FIGURAS Figura 1 - Gráfico de estimativa do crescimento da população mundial ................... 18 Figura 2 - Evolução da Manutenção .......................................................................... 22 Figura 3 - Patentes contendo as palavras “manutenção preditiva” no resumo ......... 25 Figura 4 - Patentes contendo as palavras “manutenção preditiva” no resumo ......... 26 Figura 5 - Patentes contendo as palavras manutenção preditiva .............................. 27 Figura 6 - Patentes contendo as palavras manutenção preditiva .............................. 27 Figura 7 - Dados da busca contendo as palavras manutenção preditiva .................. 28 Figura 8 - Dados da busca contendo as palavras manutenção preditiva .................. 28 Figura 9 - Manutenção preditiva com análise de vibração. ....................................... 33 Figura 10 - Neurônio humano versus Rede Neural Artificial ..................................... 41 Figura 11 - Patentes com as palavras manutenção preditiva sistema imunológico artificial ................................................................................................... 44 Figura 12 - Imagem do motor elétrico WEG W22 ...................................................... 47 Figura 13 - Imagem do inversor de frequência CFW08 ............................................. 48 Figura 14 - Imagem do motor elétrico e do acionamento por polias e correia para movimentar as engrenagens .................................................................. 49 Figura 15 - Imagem das engrenagens montadas na caixa redutora ......................... 50 Figura 16 - Imagem dos eixos montados na caixa redutora ...................................... 51 Figura 17 - Polia montada no eixo da engrenagem menor ....................................... 52 Figura 18 - Polia montada no eixo do motor ............................................................. 52 Figura 19 - Mancais para a montagem do eixo da engrenagem menor e da polia .... 54 Figura 20 - Bancada montada para a realização dos ensaios .................................. 55 Figura 21 - Placa de aquisição de dados modelo Mega 2560 ................................... 56 Figura 22 - Cabo de alimentação de energia da placa de aquisição de dados ......... 56 Figura 23 - Acelerômetro e giroscópio de 3 eixos modelo MPU-6050-GY-521 ......... 57 Figura 24 - Calibrador do acelerômetro e giroscópio modelo MPU-6050-GY-521 .... 57 Figura 25 - Cabos usados entre a placa de aquisição de dados e o acelerômetro ... 58 Figura 26 - Estrutura da caixa de aço ....................................................................... 59 Figura 27 - Viscosímetro Saybolt .............................................................................. 60 Figura 28 - Tela do Matlab com a conversão das viscosidades ................................ 62 Figura 29 - Equação de conversão das viscosidades ............................................... 62 Figura 30 - Aplicativo para o cálculo da viscosidade da mistura de dois óleos ......... 64 Figura 31 - Tela do Matlab com a conversão das viscosidades ................................ 65 Figura 32 - Acelerômetro montado no mancal da engrenagem menor ..................... 66 Figura 33 - Acelerômetro montado no motor elétrico W22 ........................................ 67 Figura 34 - Média do sinal de vibração para o óleo de viscosidade "C” utilizado como referência ............................................................................................... 70 Figura 35 - Média do sinal de vibração para o óleo de viscosidade "B” utilizado como referência ............................................................................................... 71 Figura 36 - Média do sinal de vibração para o óleo de viscosidade "A” utilizado como referência ............................................................................................... 72 Figura 37 - Análise do sinal de falha do óleo "A" ....................................................... 74 Figura 38 - Análise do sinal de falha do óleo "B" ....................................................... 75 Figura 39 - Análise do sinal de falha do óleo "C" ...................................................... 76 Figura 40 - Patente com a palavra tribologia e depositada no Brasil ........................ 91 Figura 41 - Patentes com a palavra tribologia e depositadas no mundo ................... 91 Figura 42 - Dados da busca contendo a palavra tribologia ....................................... 92 Figura 43 - Dados da busca contendo a palavra tribologia ....................................... 92 Figura 44 - Patentes com as palavras manutenção preditiva vibraç* ........................ 95 Figura 45 - Patentes com as palavras manutenção preditiva vibraç* ........................ 95 Figura 46 - Patentes com as palavras manutenção preditiva vibraç* ........................ 96 Figura 47 - Dados da busca com as palavras manutenção preditiva vibraç* ............ 96 Figura 48 - Dados da busca com as palavras manutenção preditiva vibraç* ............ 97 Figura 49 - Patentes com as palavras manutenção preditiva inteligência artificial .. 100 Figura 50 - Patentes com as palavras manutenção preditiva inteligência artificial .. 101 Figura 51 - Patentes com as palavras manutenção preditiva inteligência artificial .. 101 Figura 52 - Dados da busca com manutenção preditiva inteligência artificial ......... 102 Figura 53 - Dados da busca com manutenção preditiva inteligência artificial ......... 102 Figura 54 - Patentes com as palavras manutenção preditiva redes neurais ........... 105 Figura 55 - Patentes com as palavras manutenção preditiva redes neurais ........... 105 Figura 56 - Patentes com as palavras manutenção preditiva redes neurais ........... 106 Figura 57 - Dados da busca com as palavras manutenção preditiva redes neurais 106 Figura 58 - Dados da busca com as palavras manutenção preditiva redes neurais 107 Figura 59 - Patentes com as palavras manutenção preditiva sistema imunológico artificial ................................................................................................. 111 Figura 60 - Patentes com as palavras manutenção preditiva sistema imunológico artificial ................................................................................................. 111 Figura 61 - Dados da busca com as palavras manutenção preditiva sistema imunológico artificial ............................................................................. 112 Figura 62 - Dados da busca com as palavras manutenção preditiva sistema imunológico artificial ............................................................................. 112 LISTA DE TABELAS Tabela 1 - Amostras dos óleos lubrificantes usados ................................................. 61 Tabela 2 - Conversão da viscosidade SSU em cSt ................................................... 61 Tabela 3 - Ensaio das viscosidades das misturas “A”, “B” e “C” ............................... 64 Tabela 4 - Conversão da viscosidade SSU em cSt ................................................... 65 Tabela 5 - Classificação IPC ..................................................................................... 93 Tabela 6 - Busca de patentes com tribology, F16H, C10M, C10N e G01H ............... 94 Tabela 7 - Busca de patentes com manutenção preditiva vibraç* (continua) ............ 98 Tabela 8 - Busca de patentes com manutenção preditiva inteligência artificial ....... 103 Tabela 9 - Busca de patentes com predictive maintenance artificial intelligence .... 104 Tabela 10 - Busca de patentes com manutenção preditiva rede* neura*(continua) 108 LISTA DE SIGLAS E ABREVIATURAS ABNT Associação Brasileira de Normas Técnicas ASM American Society for Metals ASN Algoritmo Seleção Negativa CBTU Companhia Brasileira de Trens Urbanos IA Inteligência Artificial INPI Instituto Nacional da Propriedade Industrial IOT Internet Of Things IPC International Patent Classification MEMS Micro Electro Mechanical System MTBF Mean Time Between Failures MTTR Mean Time to Repair ONU Organização das Nações Unidas PACVD Plasma Assisted Chemical Vapor Deposition PCT Tratado de Cooperação em Patentes PVD Physical Vapor Deposition RNA Redes Neural Artificial SHM Structural Health Monitoring SIA Sistema Imunológico Artificial TAN Total Acid Number TBN Total Base Number WIPO World Intellectual Property Organization SUMÁRIO 1 INTRODUÇÃO .................................................................................................... 18 1.1 OBJETIVO ........................................................................................................... 20 2 REVISÃO DE LITERATURA .............................................................................. 21 2.1 REVISÃO DE MANUTENÇÃO PREDITIVA ........................................................ 21 2.1.1 Publicações de manutenção preditiva .............................................................. 22 2.1.2 Revisão patentária de manutenção preditiva ................................................... 24 2.2 REVISÃO DE TRIBOLOGIA ................................................................................ 29 2.2.1 Publicações de tribologia .................................................................................. 29 2.2.2 Revisão patentária de tribologia ....................................................................... 30 2.3 REVISÃO DE ANÁLISE DE VIBRAÇÕES ........................................................... 31 2.3.1 Publicações de análise de vibrações ............................................................... 33 2.3.2 Revisão patentária de análise de vibrações ..................................................... 35 2.4 REVISÃO DE INTELIGÊNCIA ARTIFICIAL ........................................................ 36 2.4.1 Publicações de inteligência artificial ................................................................. 37 2.4.2 Revisão patentária de inteligência artificial ....................................................... 38 2.5 REVISÃO DE REDE NEURAL ARTIFICIAL ........................................................ 40 2.5.1 Publicações de redes neurais .......................................................................... 41 2.5.2 Revisão patentária de redes neurais ................................................................ 42 2.6 REVISÃO DE SISTEMA IMUNOLÓGICO ARTIFICIAL ....................................... 43 2.6.1 Publicações de sistema imunológico artificial ................................................... 43 2.6.2 Revisão patentária de sistema imunológico artificial ........................................ 44 2.7 MOTIVAÇÕES .................................................................................................... 45 3 MATERIAIS ........................................................................................................ 46 3.1 MATERIAIS UTILIZADOS PARA ELABORAÇÃO DO SISTEMA MECÂNICO ... 46 3.1.1 Motor elétrico .................................................................................................... 46 3.1.2 Inversor de frequência ...................................................................................... 47 3.1.3 Engrenagens .................................................................................................... 48 3.1.4 Eixos ................................................................................................................. 50 3.1.5 Polias ................................................................................................................ 51 3.1.6 Correia de borracha.......................................................................................... 53 3.1.7 Mancais ............................................................................................................ 53 3.1.8 Montagem da bancada ..................................................................................... 54 3.2 MATERIAIS UTILIZADOS PARA ELABORAÇÃO DO SISTEMA DE LEITURA DA VIBRAÇÃO ......................................................................................................... 55 3.2.1 Placa de aquisição de dados ............................................................................ 55 3.2.2 Cabo de alimentação de energia na placa de aquisição de dados .................. 56 3.2.3 Acelerômetro e giroscópio ................................................................................ 56 3.2.4 Conectores de ligação da placa de aquisição de dados com o acelerômetro .. 58 3.2.5 Softwares ......................................................................................................... 58 4 METODOLOGIA ................................................................................................. 59 4.1 PREPARAÇÃO DAS AMOSTRAS DE ÓLEO ..................................................... 60 4.1.1 Mistura das amostras de óleo .......................................................................... 63 4.2 ENSAIOS DE AQUISIÇÃO DE DADOS .............................................................. 66 5 RESULTADOS ................................................................................................... 69 6 CONSIDERAÇÕES FINAIS ................................................................................ 77 6.1 CONCLUSÃO ..................................................................................................... 77 6.2 TRABALHOS FUTUROS .................................................................................... 78 REFERÊNCIAS ......................................................................................................... 80 APÊNDICE A – SOFTWARE DE LEITURA DO ACELERÔMETRO ........................ 87 APÊNDICE B – FUNÇÃO STRUCTURAL HEALTH MONITORING (SHM) ............. 88 ANEXO A – BUSCA DE PATENTES ....................................................................... 91 18 1 INTRODUÇÃO O aumento expressivo na população mundial, que segundo a Organização das Nações Unidas (ONU) era de 7,7 bilhões de pessoas em 2019, e apresenta em seu estudo estatístico a expectativa de uma população mundial de aproximadamente 9,7 bilhões de pessoas em 2050, ou seja, um aumento de 2 bilhões de pessoas nos próximos 30 anos, conforme ilustra a Figura 1. (1) Figura 1 - Gráfico de estimativa do crescimento da população mundial Fonte: Adaptado de ONU. https://population.un.org/wpp/Graphs/DemographicProfiles/Line/900. (1) Todo este crescimento populacional, cerca de 26%, movimenta as áreas mais diversas a buscar por novas tecnologias multidisciplinares que permitam aumentar a eficiência produtiva para conseguir atender a este aumento populacional. Um simples exemplo desta demanda por alta tecnologia é: Como produzir alimento para toda esta população em expansão, com o uso da mesma área agrícola? https://population.un.org/wpp/Graphs/DemographicProfiles/Line/900 19 Uma forma de conseguir tal feito, é aumentar a produtividade em toda a cadeia, desde as lavouras, o que pode ser feito com o uso das melhores práticas em agricultura, a ponto de, até mesmo conseguir diminuir o período total da safra; assim como aumentar a disponibilidade dos maquinários e veículos agrícolas utilizados nas diversas atividades durante a safra, tais como plantio, pulverização, adubação e colheita. Visando este aumento de produtividade dos equipamentos agrícolas, há décadas o surgimento da Manutenção Preditiva se tornou uma ferramenta essencial neste objetivo, mas com as demandas exponencialmente crescentes, apenas a prática da Manutenção Preditiva isolada já não atende mais a toda esta demanda. Para isto, novas ferramentas de acompanhamento online têm sido constantemente desenvolvidas. Buscando prover tais soluções para o aumento da produtividade, novas áreas de estudos tem-se tornado multidisciplinar, de modo a permitir o aumento da capacidade e da produtividade das máquinas, dos equipamentos, dos dispositivos, entre outros elementos tradicionalmente utilizados na Engenharia Mecânica. Para esta integração, áreas como Engenharia da Computação, Engenharia Elétrica e Engenharia Mecânica têm juntas desenvolvidas novas soluções, como foi o caso da criação da Inteligência Artificial, das Redes Neurais e do Sistema Imunológico Artificial, entre outras técnicas ainda em estudo, visando sempre a atender as novas demandas evolutivas requeridas para a evolução humana. A análise de óleo tem papel fundamental na manutenção preditiva, por garantir o desempenho dos equipamentos, manter a produtividade planejada, evitar falhas e interrupções de produção não planejadas. O acompanhamento periódico das condições do óleo utilizado no equipamento é o responsável pela eficiência na execução da manutenção preditiva. Atualmente, há a aplicação de diferentes tipos de óleos em equipamentos mecânicos, como: óleo lubrificante para motor, óleo hidráulico, óleo para diferencial, óleo para transmissão, óleo para engrenagens, graxas, entre outros. Entretanto, identificar degradação ou contaminação em um óleo demanda tempo e interrupção do processo produtivo, uma vez que há a necessidade de realizar a coleta do óleo e ensaiá-lo em laboratório. Um dos principais parâmetros utilizados na identificação da degradação ou contaminação do óleo é a análise da viscosidade. 20 1.1 OBJETIVO O trabalho tem como objetivo captar a variação da viscosidade em uma caixa de engrenagens com o uso de um Sistema Imunológico Artificial (SIA). Para tanto, os sinais de vibrações, captados durante o funcionamento da caixa redutora, serão empregados para identificar a variação da viscosidade ao longo do tempo de uso do equipamento. Através da mudança do valor da viscosidade é possível verificar se o lubrificante está se deteriorando, se está havendo algum tipo de contaminação, ou se está acontecendo qualquer outro fenômeno capaz de alterar a viscosidade do óleo durante sua vida útil. É também objetivo desta pesquisa prever a ocorrência de possíveis falhas do sistema mecânico. Foram utilizados recursos de inteligência artificial, de redes neurais, assim como do uso de um sistema imunológico artificial para criar um banco de dados capaz de aprender o comportamento da viscosidade do óleo com relação aos sinais de vibrações coletados. 21 2 REVISÃO DE LITERATURA A seguir são explanados os principais conceitos a serem utilizados ao longo deste trabalho, de modo a clarificar e exemplificar cada uma das técnicas que foram combinadas, a fim de buscar um resultado com maior precisão e ainda com baixo custo. Na revisão bibliográfica desta dissertação foram utilizados documentos patentários e documentos não patentários, de modo a entender o que já foi estudado, no Brasil e no mundo, por outros pesquisadores e inventores e o que ainda poderia ser estudado e desenvolvido como inovação tecnológica na área de Manutenção Preditiva com uso de Sistema Imunológico Artificial (SIA), Rede Neural Artificial (RNA), Inteligência Artificial (IA) e Algoritmo de Seleção Negativa (ASN), visando à uma solução simples e de baixo custo. A subdivisão de cada uma das áreas correlatas deste projeto foi realizada de modo a simplificar o estudo do estado da técnica e seu processo evolutivo em cada uma destas subáreas. Dessarte, as revisões acadêmicas e patentária foram divididas em tópicos específicos para cada uma destas subáreas. 2.1 REVISÃO DE MANUTENÇÃO PREDITIVA O conceito de manutenção preditiva surgiu como evolução aos processos de manutenção corretiva e de manutenção preventiva. Na manutenção corretiva espera-se o equipamento vir a falhar para então realizar a intervenção de manutenção. Na manutenção preventiva os componentes são trocados em tempos fixos e pré-determinados sem análise ou monitoramento das condições reais do equipamento, o que causa um alto custo de manutenção, já que muitas vezes, os componentes com boa parte da vida útil ativa são trocados. (2) Na metodologia de manutenção preditiva os equipamentos são monitorados rotineiramente, de modo a garantir que não ocorram falhas catastróficas, como acontece no processo de manutenção corretiva, ou trocas pré-maturas de componentes bons, como acontece no processo de manutenção preventiva. A intervenção de manutenção preditiva acontece apenas quando realmente necessário, e esta necessidade pode ser determinada através do uso de diferentes técnicas, como: inspeção visual, através do uso de um boroscópio; análise tribológica, 22 através dos ensaios de ferrografia analítica, ferrografia quantitativa, contagens de partículas contidas no óleo, Total Base Number – Número Base Total (TBN), Total Acid Number – Número Total de Ácido (TAN), absorção atômica e viscosidade; análise acústica, através da medição dos sinais acústicos do equipamento; análise de vibrações, através da medição dos sinais de vibração do equipamento; entre outras técnicas específicas para os mais diferentes equipamentos. O objetivo da Manutenção Preditiva é aumentar a vida útil do equipamento e de seus componentes, de modo a reduzir os custos totais com manutenção, conforme mostra a Figura 2 que correlaciona a disponibilidade, a confiabilidade, a segurança e o meio ambiente (eixo vertical à esquerda) com os custos de manutenção (eixo vertical à direita). (2) Figura 2 - Evolução da Manutenção Fonte: https://www.researchgate.net/figure/Figura-3-Mudanca-de-paradigma-na-Manutencao-Fonte- Nascif-e-Kardec-2009_fig2_308632332. (2) 2.1.1 Publicações de manutenção preditiva Na indústria 4.0 a disponibilidade dos equipamentos é essencial para atender efetivamente a produtividade planejada para a linha de produção. Nesta condição a manutenção torna-se uma ferramenta primordial para garantir o funcionamento https://www.researchgate.net/figure/Figura-3-Mudanca-de-paradigma-na-Manutencao-Fonte-Nascif-e-Kardec-2009_fig2_308632332 https://www.researchgate.net/figure/Figura-3-Mudanca-de-paradigma-na-Manutencao-Fonte-Nascif-e-Kardec-2009_fig2_308632332 23 adequado dos maquinários, de modo a minimizar as paradas de linha, assim como prever falhas. Enfim, busca-se a maximização da disponibilidade de tempo em operação dos equipamentos. (3) A norma NBR 5462: 1994, redigida pela Associação Brasileira de Normas Técnicas (ABNT), estabelece e classifica a relação entre os conceitos de defeito, falha e pane. No entanto, esta norma foi redigida há quase 30 anos e por isto, não há o detalhamento de tempos de manutenção para o conceito de manutenção preditiva. Há apenas para manutenção preventiva e manutenção corretiva. (4) A desatualização da norma brasileira descrita acima, reforça a importância de estudos na área de manutenção preditiva a fim de fornecer dados referenciais e confiáveis. O conceito de manutenção preditiva pode ser aplicado nos mais diversos tipos de indústria, desde uma tradicional empresa metalmecânica, até mesmo em indústrias de linha de produção alimentícia, ou ainda em uma empresa do ramo fumageiro. A aplicação do conceito de manutenção preditiva envolve o uso de uma ou mais técnicas, tais como: Análise de Vibração, Termografia, Ferrografia (Analítica ou Quantitativa), Inspeção Sensitiva, entre outras. Deve-se destacar a importância de mensurar os custos e os ganhos, preferencialmente com a implementação de indicadores de performance relacionados a aplicação da manutenção preditiva. (5) Outra aplicação, mais específica, da manutenção preditiva com foco na indústria 4.0 foi o desenvolvimento de um sistema compreendido por um sensor inteligente, um aplicativo móvel e um acesso web. Este sistema permitiu o estudo da aplicação de sensor no motor de uma extrusora, de modo a identificar as vibrações mecânicas e as variações de temperatura no motor. (6) A manutenção preditiva ganha força em sua implementação quando são considerados os ganhos e o impacto com gastos causados pela falta de manutenção das máquinas e equipamentos. (7) A aplicação da manutenção preditiva com o foco no aumento da produtividade de uma indústria foi implementada através do uso de indicadores de manutenção como o Tempo Médio Entre Falhas, do inglês Mean Time Between Failures – (MTBF); o Tempo Médio para Reparar, do inglês Mean Time to Repair – (MTTR); Curva da Banheira e Ciclo de Vida, visando atingir alta disponibilidade e confiabilidade dos equipamentos. (8) 24 Cada um dos diferentes ramos industriais apresenta peculiaridades do seu processo produtivo. Assim, estudar o processo industrial, em que se deseja aplicar a manutenção preditiva, é o primeiro passo para desenvolver um plano de manutenção eficaz. No caso de uma empresa de mineração, devido a severidade do processo, alguns equipamentos demandam atividades diárias. Neste caso, foi necessária a criação de uma relação de trocas de peças e serviços, além da análise de impacto da ocorrência de uma parada de operação em um determinado equipamento, a ponto de justificar o estoque de peças de manutenção. Esta análise de criticidade de cada equipamento foi entendida como crucial para o desenvolvimento do plano de manutenção em uma indústria de mineração. (9) 2.1.2 Revisão patentária de manutenção preditiva No Brasil já foram depositadas 35 patentes no Instituto Nacional da Propriedade Industrial (INPI), que continham as palavras “manutenção preditiva” em seu resumo. (10) Estas 35 patentes foram depositadas entre os anos de 2000 a 2021, no entanto nenhuma dentre estas 35 patentes depositadas propõe a solução desenvolvida nesta dissertação, justificando assim a continuidade deste projeto como inovação tecnológica. A Figura 3 e a Figura 4 mostram a busca de patentes, citada acima. Na primeira coluna, da esquerda para direita, está o código que a patente recebe imediatamente ao ser depositada no INPI. Na segunda coluna é apresentada a data em que a patente foi depositada no INPI. Na terceira coluna é apresentado o título da patente, o qual tem por fundamentos legais a obrigação de explanar de forma clara e suficiente o assunto a ser protegido pela patente. E por fim, na quarta coluna é apresentada a classificação internacional de patentes (IPC). (11) Esta classificação foi elaborada durante o acordo de Estrasburgo em 1971, de modo a facilitar a identificação das áreas tecnológicas que são divididas nas classes de A à H, com subdivisões em subclasses, grupos principais e grupos, organizados de modo hierárquico a totalizar 70.000 grupos. 25 Figura 3 - Patentes contendo as palavras “manutenção preditiva” no resumo Fonte: https://busca.inpi.gov.br/pePI/jsp/patentes/PatenteSearchBasico.jsp. (10) https://busca.inpi.gov.br/pePI/jsp/patentes/PatenteSearchBasico.jsp 26 Figura 4 - Patentes contendo as palavras “manutenção preditiva” no resumo Fonte: https://busca.inpi.gov.br/pePI/jsp/patentes/PatenteSearchBasico.jsp. (10) No mundo já foram depositadas 310 patentes contendo as palavras “manutenção preditiva” ou a combinação destas palavras. Estas patentes foram depositadas desde 1999 até 2021. (12) A Figura 5 traz as primeiras patentes publicadas em 1999, da lista das 310 patentes. A Figura 6 traz as últimas patentes publicadas em 2021. A Figura 7 ilustra a compilação de dados, e a Figura 8 ilustra as principais IPCs. Para entender quantas patentes, dentre estas 310 listadas na busca internacional, realmente tem relação direta com o assunto pesquisado, esta busca foi refinada nos tópicos seguintes com a inclusão de outras palavras chaves e IPCs. https://busca.inpi.gov.br/pePI/jsp/patentes/PatenteSearchBasico.jsp 27 Figura 5 - Patentes contendo as palavras manutenção preditiva Fonte: https://patentscope.wipo.int/search/en/result.jsf?_vid=P20-KPBA3R-61362. (12) Figura 6 - Patentes contendo as palavras manutenção preditiva Fonte: https://patentscope.wipo.int/search/en/result.jsf?_vid=P20-KPBA3R-61362. (12) https://patentscope.wipo.int/search/en/result.jsf?_vid=P20-KPBA3R-61362 https://patentscope.wipo.int/search/en/result.jsf?_vid=P20-KPBA3R-61362 28 Figura 7 - Dados da busca contendo as palavras manutenção preditiva Fonte: https://patentscope.wipo.int/search/en/result.jsf?_vid=P20-KPBA3R-61362. (12) Figura 8 - Dados da busca contendo as palavras manutenção preditiva Fonte: https://patentscope.wipo.int/search/en/result.jsf?_vid=P20-KPBA3R-61362. (12) https://patentscope.wipo.int/search/en/result.jsf?_vid=P20-KPBA3R-61362 https://patentscope.wipo.int/search/en/result.jsf?_vid=P20-KPBA3R-61362 29 2.2 REVISÃO DE TRIBOLOGIA A palavra tribologia deriva das palavras gregas “τρίβω (tribo)” que significa friccionar, atritar e “λόγος (logos)” que significa estudo. Esta área de estudo engloba os campos da mecânica, física, química, e mais especificamente as subáreas com os estudos de materiais, lubrificação, atrito e desgaste. (13) A Tribologia começou a ser estudada em outubro de 1964 após a “Conference on Iron and Steel Works Lubrication”. Em 9 de março de 1966, o governo inglês publicou o relatório de pesquisa relacionando o estudo tribológico e a eficiência industrial. Neste relatório a tribologia foi definida por “a ciência e tecnologia da interação de superfícies em movimento relativo e assuntos e práticas relacionados (the science and technology of interacting surfaces in relative motion and of related subjects and practices)”. (14) A American Society for Metals (ASM) traz no prefácio do seu Handbook, volume 18 - “Friction, Lubrication and Wear Technology”, a definição do campo multidisciplinar conhecido por Tribologia, que é a ciência e tecnologia da “Friction, Lubrication and Wear (FL&W)”, ou em português, “Fricção, Lubrificação e Desgaste”. (15) Ao longo dos oito capítulos do Handbook são detalhadas todas as áreas da ciência relacionadas a fricção; lubrificação; desgaste; caracterização técnica em laboratório; sistemas de diagnósticos de fricção e dados de testes de desgaste; componentes de fricção e desgaste; materiais para fricção e aplicação de desgaste; tratamentos superficiais e camadas para fricção e controle de desgaste. Além de toda informação descrita nos oito capítulos, o Handbook ainda traz uma última seção com informações suplementares que explica cada um dos termos técnicos utilizados ao longo dos oito capítulos. (15) 2.2.1 Publicações de tribologia Granizo defendeu em seu estudo a importância da tribologia para o desenvolvimento industrial. Propôs a criação de um centro tribológico equatoriano, com linhas de pesquisa em tribologia, revestimentos metálicos, entre outras linhas de pesquisa com base nos reparos de componentes de máquinas. (16) 30 Verdi estudou a análise de desgaste da liga alumínio-silício AA305 na presença de diesel comercial (B5) e biodiesel (B100). Os ensaios foram realizados com um tribômetro modelo pino-disco. (17) Castro estudou em sua dissertação a resistência ao desgaste de dois materiais diferentes, com e sem lubrificação, incluindo a lubrificação com diesel comercial e com biodiesel (B100). Segundo sua pesquisa, através de ensaios tribológicos, os componentes lubrificados com biodiesel (B100) apresentaram menor desgaste durante os ensaios. (18) Galvão através da análise tribológica desenvolveu um tribômetro de baixo custo capaz de controlar, de forma automática, parâmetros chaves para o teste de vida útil de diferentes materiais, tal como carga, velocidade de deslizamento, distância e tempo de ensaio. (19) Rojas et al estudaram o desempenho tribológico de aços com filmes de carbono produzidos por feixe de elétrons através do uso de gás argônio. Segundo os autores, o aumento da dureza obtido com os filmes de carbono resultou em um menor coeficiente de atrito. (20) O estudo tribológico já foi proposto, por Ramos, como ferramenta para a análise do desempenho do tratamento criogênico, em aço inoxidável martensítico, com a finalidade de melhorar a resistência à corrosão. (21) 2.2.2 Revisão patentária de tribologia No Brasil foi depositada apenas uma patente, no INPI, que continha a palavra “tribologia” em seu resumo. Esta patente, BR 10 2014 014174-0, apresentou como inovação um sistema para medir tração e frenagem de um veículo e para isto utilizou um método que calculava as características tribológicas do sistema. Esta busca de patentes está ilustrada na Figura 40 do Anexo A. (22) No mundo foram depositadas apenas seis patentes contendo a palavra “tribologia” na folha de rosto. Estas patentes foram depositadas desde 1999 até 2014 (23) e estão listadas a seguir. A patente citada acima é a última da lista abaixo: • PI 9904512-5 “Máquinas geradoras de esferas cerâmicas para próteses ortopédicas; 31 • PI 0812341-1 “Métodos para avaliar atributos de paladar dos alimentos usando um dispositivo de tribologia”; • PI 0812143-5 “Dispositivo de tribologia para aliviar atributos de paladar dos alimentos, reômetro e uso do dito dispositivo”; • MX 2009 013180 “Método para a avaliação dos atributos de paladar de alimentos usando um dispositivo de tribologia”; • BR 11 2012 002820-0 “Tribologia combinada com resistência à corrosão: uma nova família de revestimentos de PVD e PACVD”; • BR 10 2014 014174-0 “Método para determinar uma condição de uma rota, sistema de veículo e sistema para determinar uma condição de rota”. Analisando as seis patentes encontradas, apenas a primeira, a quinta e a sexta tem aplicação correlata a área de Engenharia Mecânica, mas nenhuma das três patentes aproximam-se do estudo de pesquisa desta dissertação. A busca das seis patentes listadas acima está ilustrada na Figura 41. A Figura 42 ilustra a compilação de dados desta busca e a Figura 43 ilustra as principais classificações. Estas três figuras estão no Anexo A. Como a maioria das patentes são depositadas na língua universal, inglês, foi realizada uma nova busca com a palavra “Tribology”. O resultado foram 469 patentes. (24) Para refinar o número de patentes, de modo a selecionar apenas aquelas que são realmente úteis para esta pesquisa, a busca acima foi refeita com as IPCs: C10M, C10N, F16H e G01H. As descrições de cada uma dessas IPCs foram detalhadas na Tabela 5 do Anexo A. (25) A nova busca, com a consulta “EN_ALL:(ALLTXT:("tribology") AND IC:(f16h and (c10m or c10n or g01h)))” gerou 18 patentes, listadas na Tabela 6 do Anexo A. (26) 2.3 REVISÃO DE ANÁLISE DE VIBRAÇÕES O estudo de Vibrações é uma das disciplinas dentro da área de Mecânica dos Sólidos estudada na Engenharia Mecânica. Em um sistema mecânico podem haver https://patentscope.wipo.int/search/en/detail.jsf?docId=BR228739003&_cid=P20-KT97ES-31811-1 32 três elementos básicos: a massa (energia cinética), a mola (energia potencial) e o amortecedor (dissipação da energia). Estes três elementos podem ser combinados de diferentes formas, de modo a apresentar um sistema com um grau de liberdade ou sistemas com múltiplos graus de liberdade. A vibração é um movimento que se repete, regular ou irregularmente em um intervalo de tempo específico, denominado por frequência. Na engenharia este movimento pode ser medido em elementos de máquinas ou estruturas constituídas por elementos móveis, e pode ser classificado em: vibrações livres, vibrações forçadas, vibrações amortecidas e vibrações não amortecidas. (27) Após identificar o sinal de referência padrão para a vibração do sistema mecânico, os sinais de vibração do mecanismo podem ser continuamente medidos, de modo a monitorar o desempenho do equipamento e garantir sua condição estrutural, ou seja, permitir através da leitura dos sinais de vibração do sistema mecânico, a identificação de alguma alteração física no sistema ou até mesmo prever uma condição de possível falha. A Figura 9 mostra a capacidade em prever falhas através dos diferentes tipos de manutenção: manutenção preditiva, manutenção preventiva e manutenção corretiva. A manutenção preditiva tem uma previsibilidade que pode chegar em até 9 meses de antecedência da ocorrência da falha, no seu uso associado com a aplicação da análise de vibração. Esta previsibilidade da falha é reduzida para apenas 4 ou 5 semanas para o caso em que é utilizada apenas a manutenção preventiva. E na manutenção corretiva ocorre o pior cenário, no qual o tempo de resposta é de apenas alguns dias. (28) 33 Figura 9 - Manutenção preditiva com análise de vibração. Fonte: https://llk.com.br/conheca-as-vantagens-da-manutencao-preditiva-no-monitoramento-e- inspecao-de-equipamentos-instrumentos-e-processos/. (28) 2.3.1 Publicações de análise de vibrações Na área acadêmica o número de pesquisas relacionadas à Manutenção Preditiva combinada com Vibrações é bastante expressivo se comparado ao número de patentes depositadas. Em 2005, Cunha estudou o estado de conservação de um redutor de velocidade utilizando a manutenção preditiva e as técnicas de análise de partículas de desgaste contidas no óleo lubrificante do redutor auxiliada pela análise de vibrações. (29) Lago (2007) estudou técnicas de manutenção preditiva em redutores de velocidade, com o intuito de determinar a severidade, o modo e o tipo de desgaste. Utilizou para isto, a integração das técnicas de análises de vibrações e análise de óleo lubrificante, através da aplicação tanto da ferrografia analítica quanto da ferrografia quantitativa. A combinação da análise dos sinais de vibração com a análise das partículas de desgaste objetivou uma economia financeira para a aplicação da técnica em indústrias. (30) Em 2011, Jesus e Cavalcante pesquisaram os sinais de vibração de máquinas rotativas através da aquisição de dados em uma bancada de testes da Petrobras. O escopo do trabalho visava entender o comportamento dos fenômenos de desalinhamento e desbalanceamento neste tipo de equipamento. (31) https://llk.com.br/conheca-as-vantagens-da-manutencao-preditiva-no-monitoramento-e-inspecao-de-equipamentos-instrumentos-e-processos/ https://llk.com.br/conheca-as-vantagens-da-manutencao-preditiva-no-monitoramento-e-inspecao-de-equipamentos-instrumentos-e-processos/ 34 Ramalho et al (2014) alvitraram o monitoramento dos sinais vibratórios de um motor elétrico trifásico com o uso de acelerômetros Micro Electro Mechanical System (MEMS) e com o uso da transformada de Haar. Treinaram uma rede neural através da linguagem de programação ELM, de modo a identificar falhas mecânicas e elétricas. (32) Em 2016, Reis et al estudaram o uso da Transformada de Wavelet na identificação da previsão de falhas em rolamentos, através da análise dos sinais vibratórios dos defeitos destes componentes. O uso da transformada foi necessário devido ao comportamento transiente característico dos sinais de vibração deste tipo de defeito. (33) Ainda em 2016, Holanda defendeu a dissertação “Aplicação da manutenção preditiva por análise de vibrações em equipamentos de trens urbanos com plano de manutenção proposto” na qual foi estudada a análise de vibrações com um indicador de condição de máquina, ou mais especificamente uma forma de identificar anormalidades, e deste modo aplicar a análise de vibrações com uma ferramenta eficaz de diagnóstico e prevenção de falhas. O estudo foi desenvolvido na Companhia Brasileira de Trens Urbanos (CBTU) com a elaboração de um plano de manutenção que garantisse a disponibilidade, a confiabilidade e ainda permitisse a redução dos custos com manutenção. (34) É importante lembrar que há normas específicas que regulamentam os ensaios, testes e até o funcionamento dos equipamentos. Para o assunto de vibração, temos a norma ISO 20816:2016 “Mechanical vibration - Measurement and evaluation of machine vibration” elaborada pelo comitê ISO/TC 108 Mechanical vibration, shock and condition monitoring. (35) A norma ISO 7919-3:2009 “Mechanical vibration - Evaluation of machine vibration by measurements on rotating shafts - Part 3: Coupled industrial machines ” elaborada pelo comitê ISO/TC 108 Mechanical vibration, shock and condition monitoring. (36) A norma ABNT NBR 10082:2011 “Ensaio não destrutivo - Análise de vibrações - Avaliação da vibração mecânica de máquinas com velocidades de operação de 600 rpm a 15 000 rpm” elaborada pelo comitê ABNT/ONS-058 Ensaios Não Destrutivos, entre outras normas que devem ser estudadas e utilizadas como referência nos assuntos específicos de vibração. (37) 35 2.3.2 Revisão patentária de análise de vibrações Com a busca no site do INPI foram encontradas apenas sete patentes, depositadas no Brasil, que continham em seu resumo as palavras “manutenção preditiva” e o radical “vibraç*”. (38) O uso do caractere asterisco “*” na realização da busca traz por resultado todas as palavras que contenham este radical, tal como vibração, vibrações, etc. Abaixo segue a lista das patentes encontradas, com seus respectivos títulos: • BR 10 2020 018291-9 “Sistema, equipamento e procedimento de monitoramento, manutenção preditiva e otimização operacional de peneiras vibratórias”; • BR 10 2019 020427-3 “Sistema, equipamento e procedimento de monitoramento, manutenção preditiva e otimização operacional de peneiras vibratórias”; • BR 10 2019 010492-9 “Dispositivo IOT para monitoramento de vibração e temperatura de equipamentos eletromecânicos, integrado a uma plataforma de monitoramento online inteligente capaz de predizer falhas via aprendizado de máquina”; • BR 10 2019 003135-2 “Aperfeiçoamentos em medidor portátil de vibração”; • BR 10 2017 013980-8 “Sensor de vibração e sistema implementado para manutenção preditiva em maquinários”; • BR 20 2015 030133-8 “Disposição introduzida em roletes de correias transportadoras para monitoramento”; • PI 0902235-0 “Sistema remoto para monitoramento e manutenção preditiva de máquinas e equipamentos”. A busca de patentes detalhada acima está ilustrada na Figura 44 do Anexo A. O pedido de patente BR 10 2019 010492-9, terceiro item da lista acima, alvitrou como solução o uso de “Internet das Coisas” (IOT) combinado com o uso de diversos sensores para identificar os parâmetros de controle de um equipamento eletromecânico. Este projeto visa a conseguir uma solução ainda mais simples, com 36 o uso de apenas um sensor, mais especificamente um acelerômetro, e com a aplicação de um Sistema Imunológico Artificial para realizar o monitoramento da variação da viscosidade no sistema mecânico. O pedido de patente BR 10 2017 013980-8, quinto item da lista acima, propôs como solução o uso de sensores para medir a vibração, a aceleração e a velocidade e opcionalmente a temperatura. Estes parâmetros medidos são processados por um software dedicado para as devidas análise. O projeto desta dissertação visa a conseguir uma solução ainda mais simples e de baixo custo. O pedido de patente PI 0902235-0, sétimo item da lista acima, desenvolveu um sistema remoto de monitoramento e diagnóstico para a manutenção preditiva de máquinas. A solução utilizou medições de vibração, ruído sonoro, tensão e corrente elétrica. Para realizar as medições foram utilizados sensores, placas eletrônicas, placas de processamento e sistema de interface com o usuário. Para o diagnóstico de falhas foi utilizado um algoritmo de análise de bandas de energia, lógica determinística e análise de padrões por redes neurais artificiais. Ao expandir a busca de patentes a nível mundial, contendo as palavras: manutenção, preditiva e vibraç*, foram encontradas 38 patentes, as quais foram depositadas desde 1998 até 2021. (39) A Figura 45 traz as primeiras patentes publicadas entre 1999 e 2007, da lista das 38 patentes. A Figura 46 traz as últimas patentes publicadas em 2021. A Figura 47 ilustra a compilação de dados. A Figura 48 ilustra as principais classificações. Estas quatro figuras estão ilustradas no Anexo A. A lista completa das patentes está reproduzida na Tabela 7 do Anexo A. Para compreender as linhas de estudo desenvolvidas e que realmente poderiam ter relação direta com o assunto pesquisado, as buscas ainda foram refinadas nos próximos tópicos com a inclusão de outras palavras chaves. 2.4 REVISÃO DE INTELIGÊNCIA ARTIFICIAL A Inteligência Artificial (IA) é definida por uma inteligência similar à humana, mas proveniente de mecanismos ou software. O objetivo dos sistemas de IA é utilizar as características básicas do sistema, de modo a permitir reconhecer padrões pré- estabelecidos em base de dados, e então conseguir identificar condições fora dos padrões conhecidos. 37 John McCarthy criou o termo Inteligência Artificial (IA) em 1956 e o definiu como “a ciência e engenharia de produzir sistemas inteligentes”. McCarthy também foi o desenvolvedor da linguagem de programação LISP em 1958. (40) Andreas Kaplan e Michael Haenlein definiram a inteligência artificial como: “uma capacidade do sistema para interpretar corretamente dados externos, aprender a partir desses dados e utilizar essas aprendizagens para atingir objetivos e tarefas específicos através de adaptação flexível”. (41) A Inteligência Artificial (IA) visa solucionar as condições em que o ser humano não apresenta boa capacidade resolutiva. Por exemplo, enquanto a inteligência humana se sobressai em condições de ambiguidade, a inteligência artificial supera a inteligência humana em volume de processamento. Enquanto a inteligência humana tem autonomia para decidir, a inteligência artificial permite a automação dos processos, soluções, etc. Enquanto a inteligência humana tem sua base na emoção a inteligência artificial é programada com base na razão. 2.4.1 Publicações de inteligência artificial Na área acadêmica a combinação dos assuntos manutenção preditiva e inteligência artificial (IA) ainda está caminhando para o desenvolvimento de novos estudos que sirvam como base referencial para a evolução desta possível tecnologia. A Revista Ferramental traz em seu artigo a proposta de quatro equipamentos que integram a inteligência artificial com a manutenção preditiva, são eles: • scanner 3d portátil: que permite a modelagem 3d de forma rápida e fácil podendo até ser associado com a impressão de peças em 3d para o uso na manutenção dos equipamentos; • óculos de realidade mista: que oferece a possibilidade de ilustrar um manual virtual aos olhos do operador durante a execução da manutenção; • smartphone com câmera térmica: que permite a visualização de um mapa de calor direto na tela do celular; e • sistemas IA de monitoramento de máquinas: que visam coletar e transmitir os sinais de vibração de um equipamento ao sistema de https://pt.wikipedia.org/wiki/John_McCarthy 38 monitoramento IA, de modo que, seja possível prever falhas ainda no estágio inicial. (42) A Revista Manutenção, em 2019, publicou o estudo relacionando a inteligência artificial com a manutenção industrial. Neste trabalho são comparados os primeiros sistemas de manutenção com os sistemas atuais que utilizam internet das coisas (IOT). Nos sistemas antigos os dados eram compilados manualmente. Com a possibilidade do uso da IOT é possível controlar o tempo médio entre falhas (TMEF), a causa raiz, o número de ocorrências de falhas, quais falhas apresentam o mesmo modo, entre outros parâmetros que garantem o controle efetivo da manutenção, além da agilidade em executá-la com alta performance de gestão. (43) Lima et al pesquisaram a aplicação da manutenção preditiva com uso de inteligência artificial em equipamentos críticos que precisam estar energizados constantemente. Um exemplo deste tipo de equipamento são os servidores de bases de dados, entre outros equipamentos da supercomputação. (44) 2.4.2 Revisão patentária de inteligência artificial Através da busca no site do INPI foi encontrada apenas uma patente depositada no Brasil, que continha em seu resumo todas as palavras “manutenção preditiva inteligência artificial”. (45) O pedido de patente BR 10 2019 018521-0, cujo o título é “Processo de manutenção preditiva e prescritiva para equipamentos industriais” apresentou com inovação um processo de manutenção preditiva que incluiu as seguintes etapas: plano de monitoramento; coleta com equipamento específico; armazenamento de dados em banco único; estrutura lógica conectada ao webservice; tratamento dos dados coletados e resultados produzidos por algoritmo e analistas. Tal solução considerou o uso de sensores para obter os dados e o uso de algoritmo e inteligência artificial para interpretá-los e compará-los com os laudos anteriores. Enfim, uma solução que leva subjetividade ao resultado, uma vez que depende de laudos anteriores como base da análise. Esta busca de patentes está ilustrada na Figura 49 do Anexo A. 39 Ao expandir a busca de patentes a nível mundial, contendo todas as palavras: manutenção, preditiva, inteligência e artificial foram encontradas apenas nove patentes, as quais foram depositadas entre 1999 e 2021. (46) A Figura 50 traz as primeiras patentes publicadas em 2011, da lista das nove patentes. A Figura 51 traz as últimas patentes publicadas em 2021. A Figura 52 ilustra a compilação de dados. A Figura 53 ilustra as principais classificações. Estas quatro figuras estão disponíveis no Anexo. A A lista das nove patentes foi reproduzida na Tabela 8 do Anexo A, sendo que a segunda, a sexta e a oitava patente já haviam sido analisadas na busca anterior com as palavras manutenção preditiva e vibraç* e a nona patente é a patente que apareceu na busca no INPI. A patente PT 1503264 cujo o título traduzido para o português é “Sistema de controle baseado em desempenho” alvitrou como inovação monitorar e controlar um sistema aquoso através de um parâmetro de desempenho que é utilizado como base de referência para a análise. O pedido de patente WO 2018 112588 “Smart control system and method based on machine learning for modulating end-tidal concentration levels by means of adjustments to the volume and concentration of an incoming respiratory gas flow in real time” é o depósito realizado via Tratado Cooperação em Patentes (PCT) da patente brasileira BR 10 2016 029897-0 “Sistema e método de controle inteligente, baseado em aprendizado de máquina, para modular níveis de concentração end-tidal através de ajustes no volume e na concentração de um fluxo de gases respiratórios de entrada em tempo real”. Esta patente propôs como inovação um sistema e método para controlar a respiração artificial através do aprendizado de máquina. Como o número de patentes encontradas para este assunto foi muito baixo a busca foi refeita coma as palavras chaves traduzidas para o inglês. A nova busca, com a consulta “ALLTXT:("predictive maintenance" and "artificial intelligence") gerou 1330 patentes. (47) A busca com as palavras em inglês foi refinada com o uso das IPCs: F, C10M, C10N, G01, G05 e G06. A lógica de busca foi: “ALLTXT:("predictive maintenance" and "artificial intelligence") AND IC:((F) AND (C10M OR C10N OR G01 OR G05 OR G06))”. O resultado foi de 24 patentes, as quais foram listadas na Tabela 9 do Anexo A. (48) 40 2.5 REVISÃO DE REDE NEURAL ARTIFICIAL A Neurocomputação é datada do ano de 1943 quando foi publicado o artigo “A Logical Calculus of the Ideas Immanent in Nervous Activity” no Bulletin of Mathematical Biophysics, pelos autores Warren McCulloch (49) e Walter Pitts. (50) As Redes Neurais Artificiais (RNAs) foram desenvolvidas pela área da Ciência da Computação. São modelos computacionais inspirados no sistema nervoso central, ou mais especificamente, no cérebro humano, de modo a atuar assim como as redes neurais biológicas atuam no corpo humano. (51) A Rede Neural Artificial (RNA) é aplicada a um sistema, de modo que, a partir de uma base de dados seja possível prover soluções específicas, as quais não seriam possíveis com o uso de apenas uma programação básica com regras comuns. (51) A RNA utiliza dados de entrada que são transformados com o uso de uma função específica. Este procedimento é repetido até que um dado de saída seja ativado. (51) A Figura 10 ilustra a comparação entre uma rede neural humana (neurônio) e uma rede neural artificial. (52) 41 Figura 10 - Neurônio humano versus Rede Neural Artificial Fonte: https://www.monolitonimbus.com.br/perceptron-redes-neurais/. (52) 2.5.1 Publicações de redes neurais Em 2006, Torres et all desenvolveram dois modelos de previsão de falhas para a manutenção industrial com uso de redes neurais. Sendo um modelo com base no histórico de cinco anos de manutenções de uma determinada empresa. Segundo o autor, a solução proposta conseguiu realizar a previsão, mesmo em um conjunto de dados com forte componente de não-linearidade. (53) Almeida em sua tese propôs o uso de uma RNA para o desenvolvimento da análise de vibrações com capacidade de realizar a análise de partículas de desgaste. O autor afirma que a rede proposta teve como resultado uma assertividade acima de 90% na identificação dos defeitos. (54) https://www.monolitonimbus.com.br/perceptron-redes-neurais/ 42 Gonçalves em sua tese comparou diferentes soluções de processamentos de sinais com uso de inteligência artificial, a fim de determinar qual a melhor ferramenta para a aplicação de uma manutenção efetiva. Seus estudos consideraram a análise de mapas auto organizáveis e filtros adaptativos. (55) 2.5.2 Revisão patentária de redes neurais Refinando a busca no site do INPI encontramos apenas duas patentes, depositada no Brasil, que continham em seu resumo as palavras “manutenção preditiva redes neurais”. (56) A busca de patentes está ilustrada na Figura 54 do Anexo A. Estas patentes já haviam sido analisadas em uma busca anterior com o uso das palavras chaves “manutenção preditiva”. Ambas patentes não têm relação com o assunto objeto desta pesquisa. Ao expandir a busca de patentes a nível mundial, contendo as palavras: manutenção, preditiva, rede*, neura*, foram encontradas 29 patentes. Estas patentes foram depositadas entre 2002 e 2017. (57) A Figura 55 traz as primeiras patentes publicadas em 2004, da lista das 29 patentes. A Figura 56 traz as últimas patentes publicadas em 2020. A Figura 57 ilustra a compilação de dados. A Figura 58 ilustra as principais classificações. Estas quatro figuras estão ilustradas no Anexo A. A patente PI 0415352-9 propôs como inovação o uso de redes neurais na realização da manutenção preditiva para substituição de equipamentos baseado na vida útil teórica e com o uso de sensores, de modo a administrar a manutenção do equipamento com relação aos componentes substituíveis. Apesar de também ser uma inovação focada em manutenção preditiva, a inovação desta patente distingue-se da pesquisa desta dissertação, uma vez que a pesquisa não é baseada em uma vida útil teórica, entre outras variantes no escopo. Em suma, das 29 patentes encontradas na busca internacional nenhuma tem relação direta com o assunto pesquisado nesta dissertação. A busca acima foi reproduzida na Tabela 10 do Anexo A. 43 2.6 REVISÃO DE SISTEMA IMUNOLÓGICO ARTIFICIAL O conceito Sistema Imunológico Artificial, assim como o termo Rede Neural Artificial, ambos têm base evolutiva no processo de funcionamento do corpo humano. Visando ao desenvolvimento de novas tecnologias muito mais robustas e com a capacidade de operar sob pouca ou quase nenhuma interferência do ser humano. O Sistema Imunológico Natural automaticamente controla o sistema de defesa do organismo humano, ou seja, quando acontece a invasão de corpos estranhos ao organismo, este sistema reage de modo a eliminar tal organismo. Durante esta reação é produzido como resultado a imunidade a aquele determinado organismo invasor. O objetivo do Sistema Imunológico Artificial espelha-se em seu predecessor, ou seja, desenvolver um sistema capaz de identificar as suas condições de operação e emitir alertas ou até mesmo ser programado para realizar correções no processo em caso de identificação de falhas ou elementos “invasores”. Um Sistema Imunológico Artificial pode ter aplicação em diversas áreas dentro da Engenharia Mecânica, tal como monitorar a vida útil de um sistema mecânico, monitorar os parâmetros de um processo de fabricação, monitorar o processo de desgaste em um circuito hidráulico, entre outras aplicações nas quais seja necessário realizar operações de monitoramento, controle e intervenção. 2.6.1 Publicações de sistema imunológico artificial Com relação a busca em documentos acadêmicos, o número de documentos relacionadas à Manutenção Preditiva e Sistema Imunológico Artificial é bem menor do que as buscas anteriores, mas ainda assim, é bastante expressivo. Ao realizar uma busca com a ferramenta Google Acadêmico, sem incluir patentes ou citações, o resultado foi de 1.100 publicações. (58) Assim foi realizada uma busca mais refinada, ainda com a ferramenta Google Acadêmico, de modo a encontrar pesquisas, estudos científicos ou mesmo projetos industriais que tivessem correlação direta ou indireta com o assunto pesquisado nesta dissertação. Ao realizar a nova busca com as palavras chaves Manutenção Preditiva, Sistema Imunológico Artificial e Controle de Viscosidade, sem incluir patentes ou citações, o resultado foi de apenas 111 publicações. (59) 44 Refinando ainda mais a busca com a ferramenta Google Acadêmico, em uma nova busca com as palavras chaves Manutenção Preditiva, Sistema Imunológico Artificial, Controle de Viscosidade e Redutor, sem incluir patentes ou citações. O resultado foi de apenas 33 publicações (60) sendo a maioria destas publicações voltadas para as áreas de biológicas e agrícolas. Apenas 2 arquivos específicos eram da área de Engenharia Mecânica. Uma dissertação do colega de laboratório Slavec (61), intitulada “Validação tribológica de biograxas sintetizadas comparadas com graxas minerais comerciais”. E o livro “Impactos das Tecnologias na Engenharia Mecânica”, mais especificamente o capítulo 20 escrito pelo grupo de pesquisa do Professor Chavarette (62) intitulado “ANÁLISE DE COMPORTAMENTO DE FALHAS DE UM ROTOR DINÂMICO UTILIZANDO SISTEMA IMUNOLÓGICO ARTIFICIAL”. 2.6.2 Revisão patentária de sistema imunológico artificial Ao realizar a busca no site do INPI não foi encontrada nenhuma patente depositada no Brasil, que continha em seu resumo as palavras “manutenção preditiva sistema imunológico artificial”. (63) Esta busca de patentes está ilustrada na Figura 11 abaixo. Figura 11 - Patentes com as palavras manutenção preditiva sistema imunológico artificial Fonte: https://busca.inpi.gov.br/pePI/jsp/patentes/PatenteSearchBasico.jsp. (63) https://busca.inpi.gov.br/pePI/jsp/patentes/PatenteSearchBasico.jsp 45 Ao expandir a busca de patentes a nível mundial, contendo as palavras: manutenção, preditiva, sistema, imunológico, artificial, foram encontradas apenas 11 patentes, as quais foram depositadas entre 2007 e 2021. (64) A Figura 59 traz as primeiras patentes publicadas em 2011, da lista das 11 patentes. A Figura 60 traz as últimas patentes publicadas em 2021. A Figura 61 ilustra a compilação de dados. A Figura 62 ilustra as principais classificações. Estas quatro figuras foram reproduzidas no Anexo A. Os 11 pedidos de patente encontrados na busca acima são referentes a área médica e, portanto, não apresentam relação com a pesquisa desta dissertação. Esta conclusão pode ser reforçada pela análise das IPCs destas patentes. 2.7 MOTIVAÇÕES Em suma, após toda a revisão bibliográfica realizada, em base de dados patentárias, nacionais e internacionais e em base de dados não patentárias, nenhum resultado encontrado teve conflito ou margeou o escopo desta pesquisa. Os resultados encontrados aumentaram, ainda mais, a motivação em seguir em frente com a parte prática-experimental deste estudo e desenvolver uma solução inovadora para o monitoramento online da variação da viscosidade do fluido lubrificante em um sistema mecânico. 46 3 MATERIAIS Para realização deste trabalho, a primeira etapa foi a construção do sistema mecânico, no qual foram realizados todos os testes de aquisição de dados e de condições de falhas. Para realizar a leitura dos sinais de vibração da caixa redutora foi desenvolvido um sistema de aquisição de dados, que também foi utilizado na coleta dos sinais do motor elétrico. 3.1 MATERIAIS UTILIZADOS PARA ELABORAÇÃO DO SISTEMA MECÂNICO A montagem do sistema mecânico foi realizada com a fabricação de uma bancada composta por: • motor elétrico; • inversor de frequência; • duas engrenagens; • três eixos; • duas polias; • correia de borracha e lona; • oito mancais; • quatro rolamentos; • dois tampões de nylon; • estrutura metálica em aço 1080; • base de madeira; • e chapas de proteção em alumínio, rebites e outros elementos de fixação. 3.1.1 Motor elétrico O motor elétrico utilizado para fornecer potência ao sistema mecânico foi o motor trifásico da marca WEG modelo W22 com potência nominal de 0,37 kW, frequência de 60 Hz, rotação nominal de 3340 rpm, tensão 220V, corrente 1,86 A, 47 modelo de carcaça 63 e número de série 1013754064. Conforme ilustra a Figura 12 abaixo. Figura 12 - Imagem do motor elétrico WEG W22 Fonte: Elaboração do próprio autor. 3.1.2 Inversor de frequência O inversor de frequência utilizado no controle da velocidade do motor elétrico W22 também foi da marca WEG, modelo CFW 08, e está ilustrado na Figura 13 abaixo. A ligação entre o motor elétrico W22 e o inversor foi realizada através da barra de bornes de potência, de modo a permitir a partida local do inversor, ou seja, a partida através da interface de comunicação do inversor. Para isto, o botão circular no canto inferior direito deverá estar com a luz de seleção acesa na parte superior “loc”. Nesta condição foi possível ligar o motor com o botão verde, desligar o motor com o botão vermelho e controlar a velocidade do motor com as setas para cima e para baixo. 48 Foram utilizados os parâmetros de leitura padrão do inversor, no qual o parâmetro três “P003” indica a corrente de saída medida em Ampere (A); o parâmetro quatro “P004” indica a tensão do barramento DC medida em Volt (V) e o parâmetro cinco “P005” indica a frequência de saída medida em Hertz (Hz). Figura 13 - Imagem do inversor de frequência CFW08 Fonte: https://www.weg.net/catalog/weg/US/pt/Drives/Inversores-de-Frequ%C3%AAncia/Micro-e-Mini- Drives/Inversor-de-Frequ%C3%AAncia-CFW08/Inversor-de-Frequ%C3%AAncia- CFW08/p/MKT_WDC_GLOBAL_VARIABLE_SPEED_DRIVE_CFW08. (65) 3.1.3 Engrenagens A potência elétrica do motor foi transmitida ao eixo de saída no qual estava acoplado uma polia com o alojamento para uma das extremidades da correia de lona. A outra extremidade da correia estava alojada em uma segunda polia, que por sua vez, foi montada no mesmo eixo da engrenagem menor que transmitia o movimento para a engrenagem maior. Um terceiro eixo foi utilizado para montar a engrenagem maior, com o uso de dois mancais e dois rolamentos na parede da estrutura metálica. A Figura 14 ilustra uma vista superior da montagem do sistema mecânico detalhado no parágrafo anterior. https://www.weg.net/catalog/weg/US/pt/Drives/Inversores-de-Frequ%C3%AAncia/Micro-e-Mini-Drives/Inversor-de-Frequ%C3%AAncia-CFW08/Inversor-de-Frequ%C3%AAncia-CFW08/p/MKT_WDC_GLOBAL_VARIABLE_SPEED_DRIVE_CFW08 https://www.weg.net/catalog/weg/US/pt/Drives/Inversores-de-Frequ%C3%AAncia/Micro-e-Mini-Drives/Inversor-de-Frequ%C3%AAncia-CFW08/Inversor-de-Frequ%C3%AAncia-CFW08/p/MKT_WDC_GLOBAL_VARIABLE_SPEED_DRIVE_CFW08 https://www.weg.net/catalog/weg/US/pt/Drives/Inversores-de-Frequ%C3%AAncia/Micro-e-Mini-Drives/Inversor-de-Frequ%C3%AAncia-CFW08/Inversor-de-Frequ%C3%AAncia-CFW08/p/MKT_WDC_GLOBAL_VARIABLE_SPEED_DRIVE_CFW08 49 Na Figura 15 estão ilustradas as duas engrenagens em uma vista frontal, sendo a menor tracionada pela polia com a correia, e assim, responsável por tracionar a engrenagem maior. A engrenagem maior era do tipo cilíndrica de dentes retos, possuía um diâmetro externo de 100 mm, diâmetro do furo de 20 mm, diâmetro do cubo de 40 mm e 48 dentes, essa era a engrenagem movida e foi usinada em aço SAE 1020. A engrenagem menor era do tipo cilíndrica de dentes retos, possuía um diâmetro externo de 52 mm, espessura de 17 mm, 24 dentes, foi usinada no extremo oposto do eixo acoplado com a polia. Essa era a engrenagem motriz e foi usinada em aço SAE 1020. Figura 14 - Imagem do motor elétrico e do acionamento por polias e correia para movimentar as engrenagens Fonte: Elaboração do próprio autor. 50 Figura 15 - Imagem das engrenagens montadas na caixa redutora Fonte: Elaboração do próprio autor. 3.1.4 Eixos Os eixos e as engrenagens foram fabricados em aço SAE 1020 por processo de usinagem. No extremo do eixo motriz foi usinada a engrenagem menor, este eixo possuía 92 mm de comprimento e diâmetro de 17 mm. E foi montado na estrutura da caixa com o uso de 2 mancais e 2 rolamentos. O eixo movido sustentava a engrenagem maior, possuía um comprimento de 70 mm e o diâmetro de 17 mm. E foi montado na estrutura da caixa com o uso de 2 mancais e 2 rolamentos. A Figura 16 ilustra uma vista superior da montagem dos eixos na estrutura da caixa redutora. 51 Figura 16 - Imagem dos eixos montados na caixa redutora Fonte: Elaboração do próprio autor. 3.1.5 Polias Foram utilizadas 2 polias de alumínio em “V” da marca Mademil, de diâmetro externo de 60 mm, perfil “A” de acordo com a norma ISO 4183, a polia acoplada ao motor elétrico apresentava apenas um canal, e seu modelo foi o PAL60A1. Enquanto a polia acoplada ao eixo da engrenagem menor apresentava dois canais e seu modelo foi o PAL60A2. A polia montada no eixo da engrenagem menor está ilustrada na Figura 17 e a polia montada no eixo de saída do motor elétrico está ilustrada na Figura 18. 52 Figura 17 - Polia montada no eixo da engrenagem menor Fonte: Elaboração do próprio autor. Figura 18 - Polia montada no eixo do motor Fonte: Elaboração do próprio autor. 53 3.1.6 Correia de borracha A correia que transmitia o movimento da polia do motor para a polia da engrenagem menor foi uma correia industrial da Marca Suprir, modelo Transpower XT DU10-145. 3.1.7 Mancais Foram usinados mancais em acrílico para a montagem dos eixos das engrenagens maior e menor na estrutura da caixa de aço. Para montar cada um dos eixos foram utilizados dois mancais, ou seja, foram usados quatro mancais na montagem dos dois eixos. Foram utilizados mais quatro mancais na montagem dos dois tampões dos furos. Portanto, foram necessários oito mancais na montagem completa da caixa redutora. O modelo 3D ilustrado na Figura 19 foi composto pela polia à direita, os dois mancais no meio, uma representação esquemática cilíndrica da engrenagem menor à esquerda e o eixo passando no centro de todos os componentes. 54 Figura 19 - Mancais para a montagem do eixo da engrenagem menor e da polia Fonte: Elaboração do próprio autor. 3.1.8 Montagem da bancada A bancada foi montada com uma estrutura metálica de chapas de aço 1080. As faces laterais da estrutura foram unidas entre si e unidas ao fundo da estrutura por soldagem. Nesta estrutura foram montados os mancais que suportavam os eixos das engrenagens, em uma das faces laterais, mais especificamente na face que apresentava o maior comprimento. Para garantir a segurança na operação da bancada foi instalada uma capa de proteção na correia que transmitia o movimento da polia do motor elétrico para a polia de acionamento das engrenagens. A capa foi fabricada em alumínio e montada com rebites. A bancada pronta para a realização dos testes está ilustrada na Figura 20 a seguir. 55 Figura 20 - Bancada montada para a realização dos ensaios Fonte: Elaboração do próprio autor. 3.2 MATERIAIS UTILIZADOS PARA ELABORAÇÃO DO SISTEMA DE LEITURA DA VIBRAÇÃO A montagem do sistema de aquisição dos sinais de vibração do sistema mecânico foi composta por: • uma placa de aquisição de dados; • um acelerômetro; • cabos; • e softwares. 3.2.1 Placa de aquisição de dados A placa de aquisição de dados utilizada no experimento foi a placa da marca Arduino modelo Mega 2560, conforme ilustrado na Figura 21 abaixo. 56 Figura 21 - Placa de aquisição de dados modelo Mega 2560 Fonte: Elaboração do próprio autor. 3.2.2 Cabo de alimentação de energia na placa de aquisição de dados A placa de aquisição de dados foi alimentada com tensão através do cabo ilustrado na Figura 22 abaixo. Este cabo apresentava uma ponta USB tipo A que foi conectada em uma entrada USB tipo A disponível no notebook utilizado, e na outra ponta uma entrada USB tipo B que foi conectada em uma entrada USB tipo B da placa de aquisição de dados. Figura 22 - Cabo de alimentação de energia da placa de aquisição de dados Fonte: https://www.eletrogate.com/kit-arduino-start. (66) 3.2.3 Acelerômetro e giroscópio O acelerômetro utilizado no experimento foi o acelerômetro e giroscópio de três eixos cada e seis graus de liberdade (GDL) modelo MPU-6050 – GY-521, conforme ilustrado na Figura 23 abaixo. https://www.eletrogate.com/kit-arduino-start 57 Este dispositivo contém em uma mesma placa o acelerômetro com três eixos e o giroscópio com três eixos, a fim de compor seis graus de liberdade. O chip MPU- 6050 pode ser alimentado com uma tensão de 3-5 V e apresenta um conversor AD 16 bits. A comunicação foi realizada através do protocolo padrão I2C, as faixas do giroscópio eram de + 250, 500, 1000, 2000º/s, e as faixas do acelerômetro eram de + 2, + 4, + 8, + 16g e suas dimensões eram de aproximadamente 20 x 16 x 1 mm. Figura 23 - Acelerômetro e giroscópio de 3 eixos modelo MPU-6050-GY-521 Fonte: Elaboração do próprio autor. O acelerômetro foi calibrado através do uso do calibrador da marca Piezotronics modelo PCB 394B06, ilustrado na Figura 24. Figura 24 - Calibrador do acelerômetro e giroscópio modelo MPU-6050-GY-521 Fonte: Elaboração do próprio autor. 58 3.2.4 Conectores de ligação da placa de aquisição de dados com o acelerômetro Para realizar as ligações entre o acelerômetro e a placa de aquisição de dados foram utilizados os conectores ilustrados na Figura 25. Figura 25 - Cabos usados entre a placa de aquisição de dados e o acelerômetro Fonte: https://www.eletrogate.com/kit-arduino-start. (66) 3.2.5 Softwares O software utilizado para receber os sinais de vibração do acelerômetro está descrito no Apêndice A. Este software utilizou a biblioteca “Wire” para o protocolo I2C e a biblioteca “MPU6050_tockn”. Na sequência a placa MPU-6050 foi instanciada, no set up foi iniciada a porta serial, e no loop foram impressas as acelerações em x, y e z respectivamente. https://www.eletrogate.com/kit-arduino-start 59 4 METODOLOGIA A primeira etapa do projeto, após toda a fase de estudo e revisão bibliográfica, foi a construção da bancada. Na construção foi reaproveitada uma estrutura metálica de caixa em aço SAE 1080 já existente, a fim de reduzir os custos de fabricação da bancada. Dois furos que não tinham função para o projeto foram tampados com o uso de cilindros de nylon usinados em dimensões suficientes para tampar os furos. Cada um destes cilindros de nylon foi fixado com dois mancais de acrílico na parede da caixa com o uso de parafusos. Os mancais de acrílico utilizados são iguais aos mancais que fixavam os eixos das engrenagens. Estes furos tampados estão indicados com as setas vermelhas na Figura 26 abaixo. Figura 26 - Estrutura da caixa de aço Fonte: Elaboração do próprio autor. Após finalizar a estrutura da caixa foram usinadas as engrenagens em aço SAE 1020, conforme já ilustrado na Figura 15. As engrenagens menor e maior foram montadas na parede lateral da caixa com o uso de mancais de acrílico que sustentam os eixos também usinados em aço SAE 1020. No eixo de saída do motor elétrico foi montada uma polia da marca Mademil modelo 60 A. No eixo da engrenagem menor também foi montada uma polia Mademil modelo 60 A. Para unir as duas polias foi utilizada uma correia industrial modelo Transpower XT DU10-145. Para proteger a bancada contra acidentes foi montada uma capa em alumínio com uso de rebites e parafusos de modo a prevenir o contato do operador com o movimento da correia. 60 A estrutura da caixa em aço 1080 e o motor elétrico W22 foram parafusos em uma base de madeira, e assim foi concluído a montagem da bancada de testes, a qual já foi ilustrada anteriormente na Figura 14. 4.1 PREPARAÇÃO DAS AMOSTRAS DE ÓLEO Após a montagem completa da bancada era necessário ter amostras de óleos com diferentes viscosidades, para então iniciar os testes de aquisição de dados. Foram então coletados alguns óleos lubrificantes para a realização dos ensaios. Os volumes de cada uma das seis amostras foram medidos com o uso de um béquer. A viscosidade de cada amostra foi medida, na temperatura de 100ºC, com o uso de um viscosímetro da marca Laborana modelo Saybolt, ilustrado na Figura 27. Os dados do volume, da viscosidade medida em Seconds Saybolt Universal (SSU) e da viscosidade convertida para a unidade centistoke (cSt) de cada amostra foram listados na Tabela 1 a seguir. Figura 27 - Viscosímetro Saybolt Fonte: Elaboração do próprio autor. 61 Tabela 1 - Amostras dos óleos lubrificantes usados Amostra Viscosidade (SSU) Viscosidade (cSt) Volume (l) 1 102,1 20,4 5,0 2 136,7 28,5 5,0 3 65,8 12,0 2,5 4 129,4 26,8 5,0 5 220,0 47,8 1,3 6 56,8 9,9 1,3 Fonte: Elaboração do próprio autor. Para realizar a conversão da viscosidade em Seconds Saybolt Universal (SSU) para centistoke (cSt) foi utilizada uma base de dados de conversão, a qual correlacionava as viscosidades SSU e cSt, e permitiu então o desenvolvimento de uma curva característica de conversão entre estas viscosidades. A base de dados utilizada está reproduzida na Tabela 2 abaixo. Tabela 2 - Conversão da viscosidade SSU em cSt SSU cSt SSU cSt SSU cSt 40,0 4,2 110,0 22,9 170,0 36,4 50,0 7,4 120,0 25,2 175,0 37,5 60,0 10,3 125,0 26,3 180,0 38,6 70,0 13,1 130,0 27,5 190,0 40,8 80,0 15,7 140,0 29,7 200,0 42,9 90,0 18,1 150,0 31,9 225,0 48,3 100,0 20,6 160,0 34,1 250,0 53,7 Fonte: http://www.viscosimetro.com.br/ (67) Para o desenvolvimento da curva característica de conversão das viscosidades foi utilizado o software Matlab com a aproximação por uma curva linear. A Figura 28 mostra a tela do software com os dados de entrada no quadro superior, e com os dados convertidos no quadro inferior. http://www.viscosimetro.com.br/ 62 Figura 28 - Tela do Matlab com a conversão das viscosidades Fonte: Elaboração do próprio autor. A equação de conversão obtida para valores de viscosidade entre (40 SSU e 250 SSU) está ilustrada na tela do software reproduzida na Figura 29 a seguir. Figura 29 - Equação de conversão das viscosidades Fonte: Elaboração do próprio autor. A equação de conversão apresentada na Figura 29 está descrita na Equação 1 abaixo, na qual o eixo “Y” representa a viscosidade em centistoke (cSt) e o eixo “X“ 63 representa a viscosidade em Segundos Saybolt Universal (SSU). A Equação 1 foi reescrita na Equação 2, com a substituição dos parâmetros “X” e “Y” pelas suas respectivas viscosidades. 𝑌𝑌 = 0.232 ∗ 𝑋𝑋 − 3.259 (1) 𝑉𝑉 (𝑐𝑐𝑐𝑐𝑐𝑐) = 0.232 ∗ 𝑉𝑉(𝑐𝑐𝑐𝑐𝑆𝑆) − 3.259 (2) 4.1.1 Mistura das amostras de óleo Com as viscosidades de cada amostra conhecida, foram então realizadas as misturas para conseguir obter três viscosidades distintas. Sendo que, para cada uma destas viscosidades era necessário o volume de 5 litros para preencher o reservatório, no qual estavam montadas as engrenagens. Assim foi preparada a primeira mistura de óleo com viscosidade “A” através da mistura de 2,5 l de óleo 3 (65,8 SSU; 12,0 cSt) com 1,25 l de óleo 6 (56,8 SSU; 9,9 cSt), essa primeira etapa resultou em 3,75 l (11,3 cSt) que foi então misturada com 1,25 l óleo 1 (102,1 SSU; 20,4 cSt) resultando em 5 l (13,0 cSt). A segunda mistura preparada foi a de viscosidade “B”, na qual foram misturados 2 l de óleo 4 (129,4 SSU; 26,8 cSt) com 3 l de óleo 1 (102,2 SSU; 20,4 cSt), resultando em 5 l (22,7 cSt). A terceira mistura preparada foi a de viscosidade “C”, na qual foram misturados 1,25 l de óleo 5 (220,0 SSU; 47,8 cSt) com 3,75 l de óleo 2 (136,7 SSU; 28,5 cSt), resultando em 5 l (32,3 cSt). Todas as misturas descritas acima foram calculadas com o uso do aplicativo da Lubrimaq (68), ilustrado na Figura 30 abaixo. 64 Figura 30 - Aplicativo para o cálculo da viscosidade da mistura de dois óleos Fonte: https://www.lubrimaq.com.br/blend-de-viscosidade.php (61) As três misturas dos óleos, com viscosidade “A”, “B” e “C” foram ensaiadas, de modo a confirmar os valores teóricos calculados. Os resultados obtidos foram registrados na Tabela 3. Em suma, as viscosidades foram medidas três vezes à 40ºC e à 100ºC em SSU com o viscosímetro da marca Laborana modelo Saybolt. Tabela 3 - Ensaio das viscosidades das misturas “A”, “B” e “C” Amostra Temperatura (ºC) Viscosidade (SSU) 1ª medida Viscosidade (SSU) 2ª medida Viscosidade (SSU) 3ª medida A 40 522,0 581,0 490,0 A 100 64,5 68,1 69,6 B 40 1779,0 1600,0 1685,0 B 100 135,0 121,0 125,4 C 40 2231,8 2267,5 2418,8 C 100 168,0 179,6 175,3 Fonte: Elaboração do próprio autor. https://www.lubrimaq.com.br/blend-de-viscosidade.php 65 Com o uso da Equação (1), já descrita acima, no software Matlab as viscosidades SSU, medidas à 100oC, foram convertidas em viscosidade cSt. Conforme ilustrado na Figura 31. Figura 31 - Tela do Matlab com a conversão das viscosidades Fonte: Elaboração do próprio autor. Os resultados das viscosidades medidas em SSU e os valores da conversão das viscosidades para cSt foram registrados na Tabela 4. Tabela 4 - Conversão da viscosidade SSU em cSt Amostra Unidade da Viscosidade 1ª medida 2ª medida 3ª medida A SSU 64,5 68,1 69,6 A cSt 11,7 12,5 12,9 B SSU 135,0 121,0 125,4 B cSt 28,1 24,8 25,8 C SSU 168,0 179,6 175,3 C cSt 35,7 38,4 37,4 Fonte: Elaboração do próprio autor. 66 4.2 ENSAIOS DE AQUISIÇÃO DE DADOS Após realizada as misturas para obter as 3 viscosidades diferentes, foram então iniciados os ensaios para aquisição dos dados de vibração da bancada. O programa utilizado na aquisição dos sinais de vibração está descrito no Apêndice A. Para cada um dos óleos foram coletados os sinais de vibração através da montagem de um acelerômetro fixo no mancal da engrenagem menor, conforme ilustrado na Figura 32. As frequências foram variadas de 18 a 30 Hz, com intervalo de coleta de 2 em 2 Hz. Esta variação foi realizada pelo painel de controle do inversor, conforme o uso do mesmo, já descrito no subitem 3.1.2. Foram coletados pelo menos 5000 pontos para cada frequência, o que corresponde a um tempo de coleta de aproximadamente 2 minutos, ou 120 segundos, para cada uma das coletas realizadas. Os dados coletados foram utilizados para criar o banco de dados que foi utilizado pelo algoritmo para identificar a variação da viscosidade no sistema mecânico. Figura 32 - Acelerômetro montado no mancal da engrenagem menor Fonte: Elaboração do próprio autor. Além das coletas de sinais das três misturas de óleo, o último ensaio foi a coleta de sinais do mecanismo sem óleo. Este ensaio foi realizado por último devido ao risco 67 de falha do sistema, uma vez que o desgaste das engrenagens era muito mais intenso quando o mecanismo funcionava sem óleo para a lubrificação. Para alimentar o banco de dados do sistema também foram coletados os sinais de vibração do motor elétrico através da montagem do acelerômetro fixo no motor, conforme ilustra a Figura 33. Para esta coleta de dados também foi utilizada a variação da frequência de 18 a 30 Hz, com intervalo de coleta de 2 em 2 Hz, e também foram coletados pelo menos 5000 pontos para cada frequência. Figura 33 - Acelerômetro montado no motor elétrico W22 Fonte: Elaboração do próprio autor. Todo o banco de dados de sinais de vibração foi coletado para cada condição de ensaio: com óleo; sem óleo e o do motor, ou mais especificamente: • sinais de vibração da estrutura com o óleo A; • sinais de vibração da estrutura com o óleo B; • sinais de vibração da estrutura com o óleo C; 68 • sinais de vibração da estrutura sem óleo; • sinais de vibração do motor elétrico. Para cada frequência ensaiada, os valores foram compilados em uma base de dados de forma a servir como treinamento para o algoritmo. Esta base de dados tinha por objetivo permitir a avaliação da variação da viscosidade correlata a variação dos sinais de vibração do sistema mecânico. 69 5 RESULTADOS Após a criação do banco de dados com os sinais de vibração para as cinco condições distintas (sem óleo, com óleo “A”, com óleo “B”, com óleo “C”, e do motor) e com o sistema mecânico operando em sete frequências diferentes (18, 20, 22, 24, 26, 28 e 30 Hz), foi então aplicado o algoritmo de seleção negativa (ASN). O algoritmo foi desenvolvido para este projeto como ferramenta para correlacionar os sinais de vibração com o valor da viscosidade do óleo, de modo a permitir através da análise da média dos sinais de vibração prever qual a faixa da viscosidade do óleo que estava em uso. Ou seja, identificar se está acontecendo uma alteração no valor da viscosidade do óleo, tal como quando um óleo começa a se degradar, pois já atingiu sua vida útil, ou quando um contaminante atinge o sistema mecânico. As análises foram realizadas através da leitura do algoritmo (ASN) com o uso de uma função Structural Health Monitoring (SHM) compilada pelo software Matlab. Ao abrir a função SHM era possível escolher qual a viscosidade seria utilizada como referência para identificar o comportamento das outras duas viscosidades ensaiadas. A primeira análise foi realizada considerando a viscosidade “C” como a referência. O óleo “C” apresentava o maior valor de viscosidade dentre os três óleos ensaiados, ou seja, era a amostra que apresentava o maior amortecimento nos sinais de vibração. Ao gerar o gráfico com os sinais de vibração das três viscosidades (“A”, “B” e “C”) os valores médios do sinal de vibração do óleo de viscosidade “B” estavam distribuídos acima dos valores médios do sinal de vibração do óleo de viscosidade “C”, e os valores médios do sinal de vibração do óleo de viscosidade “A” estavam predominantemente acima dos sinais de vibração dos óleos de viscosidade “C” e “B”. Alguns pontos discrepantes, distribuídos fora dos valores médios, podem ser entendidos com outliers, e alguns pontos que margeiam a viscosidade acima ou abaixo da faixa analisada são justificáveis devido a variação de frequência utilizada na coleta de dados para a criação da base de dados. Tal situação é aceitável já que as viscosidades dos óleos “A”, “B” e “C” são próximas e foram aplicadas sete frequências diferentes para cada uma das amostras. Assim os dados coletados para a maior frequência do óleo de viscosidade “A” podem sobrepor aos dados para a menor frequência do óleo de viscosidade “B”. Assim como os dados coletados para a maior frequência do óleo “B” podem sobrepor aos dados coletados para a menor 70 frequência do óleo “C”. Todos os dados descritos acima estão ilustrados na Figura 34, abaixo, na qual o eixo vertical representa a média do sinal de vibração de cada dado medido e que foi convertida de Hz para rpm, apenas para melhorar a identificação das faixas de viscosidade; e no eixo horizontal está o tempo, medido em segundos, no qual os dados foram coletados. Figura 34 - Média do sinal de vibração para o óleo de viscosidade "C” utilizado como referência Fonte: Elaboração do próprio autor. A segunda análise foi realizada considerando a viscosidade “B” como a referência. O óleo de viscosidade “B” apresentava um valor intermediário de viscosidade, dentre os três óleos ensaiados, ou seja, era a amostra que apresentava o amortecimento intermediário nos sinais de vibração. Ao gerar o gráfico com os sinais de vibração das três viscosidades (“A”, “B” e “C”) os valores médios do sinal de vibração do óleo de viscosidade “A” estavam distribuídos acima dos valores médios do sinal de vibração do óleo de viscosidade “B”. Os valores médios do sinal de vibração do óleo de viscosidade “C” estavam predominantemente abaixo dos sinais de vibração do óleo de viscosidade “B”. Alguns pontos discrepantes, distribuídos fora dos valores médios, podem ser entendidos com outliers, e alguns pontos que margeiam a viscosidade acima ou abaixo da faixa analisada são justificáveis como já explicado na primeira análise. 71 Todos os dados descritos para a segunda análise estão ilustrados na Figura 35, a seguir. Figura 35 - Média do sinal de vibração para o óleo de viscosidade "B” utilizado como referência Fonte: Elaboração do próprio autor. A terceira análise foi realizada considerando a viscosidade “A” como a referência. O óleo com a viscosidade “A” apresentava o menor valor de viscosidade dentre os três óleos ensaiados, ou seja, era a amostra que apresenta o menor amortecimento nos sinais de vibração. Ao gerar o gráfico com os sinais de vibração das três viscosidades (“A”, “B” e “C”) os valores médios do sinal de vibração do óleo de viscosidade “B” estavam distribuídos abaixo dos valores médios do sinal de vibração do óleo de viscosidade “A”. Os valores médios do sinal de vibração do óleo de viscosidade “C” estavam predominantemente abaixo dos sinais de vibração dos óleos de viscosidade “B” e “A”. Alguns pontos discrepantes, distribuídos fora da faixa dos valores médios, podem ser entendidos com outliers, e alguns pontos que margeiam a viscosidade acima ou abaixo da faixa analisada são justificáveis como já explicado na primeira análise. Todos os dados descritos para a terceira análise estão ilustrados na Figura 36, a seguir. 72 Figura 36 - Média do sinal de vibração para o óleo de viscosidade "A” utilizado como referência Fonte: Elaboração do próprio autor. Após o desenvolvimento da correlação entre os sinais de vibração do sistema mecânico e o valor da viscosidade do óleo, foi então realizada uma continuação do estudo com o escopo de analisar a previsão de ocorrência de falhas. Para este novo estudo também foi utilizado o mesmo banco de dados, gerado inicialmente. Foi considerado um desvio-padrão de 3% para a análise comparativa entre os sinais de falha e os sinais de não-falha, e uma taxa de afinidade entre os sinais de 80%. Os sinais de vibração do motor funcionando desacoplado da caixa redutora foram coletados e utilizados como uma espécie de filtro para a posterior análise dos sinais de vibração coletados no mancal da engrenagem menor da caixa redutora. Esta coleta foi realizada, a fim de que, os sinais de vibração do motor não interferissem na análise dos sinais de vibração dos três óleos com viscosidades distintas. Os resultados obtidos ao rodar o sistema Structural Health Monitoring (SHM), no software Matlab, estão descritos no Apêndice B. Nesta simulação foram atribuídos 1500 dados com sinais da estrutura em condição normal e 1500 dados com sinais da estrutura em condição de falha. Sendo que a condição normal se refere aos sinais de vibração da caixa redutora operando sem óleo, e a condição de falha refere-se a caixa redutora operando com cada um dos três óleos, com viscosidades diferentes. 73 A severidade foi dividida em quatro faixas (1, 2, 3, e 4), sendo que para a faixa 1 foi atribuído o intervalo de 0 a 25%, para a faixa 2 foi atribuído o intervalo de 25 a 50%, para a faixa 3 foi atribuído o intervalo de 50 a 75%, e para a faixa 4 foi atribuído o intervalo de 75 a 100%. Estas quatro faixas são estabelecidas pelo cálculo do desvio padrão entre o valor de referência e os dados escolhidos aleatoriamente pelo algoritmo. Uma segunda divisão separou os níveis de severidade em quatro grupos: muito baixo, baixo, médio e alto. Estes níveis de severidade foram calculados através da variância entre o valor de referência e os valores dos dados escolhidos aleatoriamente pelo algoritmo. A Figura 37 apresenta a análise do sinal de falhas usando como referência o sinal de vibração da caixa redutora operando sem óleo comparado aos sinais de vibração da caixa redutora operando com o óleo “A”. Nesta simulação foram classificados 170 dados, dos quais quatro estavam na faixa 1 (0 - 25%) no nível de severidade Alto, dois estavam na faixa 2 (25 – 50%) no nível de severidade Muito Baixo, três estavam na faixa 3 (50 – 75%) no nível de severidade Muito Baixo e, o maior número de dados, 161 estavam na faixa 4 (75- 100%) no nível de severidade Muito Baixo. 74 Figura 37 - Análise do sinal de falha do óleo "A" Fonte: Elaboração do próprio autor. A Figura 38 apresenta a análise do sinal de falhas usando como referência o sinal de vibração da caixa redutora operando sem óleo comparado aos sinais de vibração da caixa redutora operando com o óleo “B”. Nesta simulação foram classificados 773 dados, dos quais oito estavam na faixa 1 (0 - 25%) no nível de severidade Alto, um estava na faixa 2 (25 – 50%) no nível de severidade Muito Baixo, 18 estavam na faixa 3 (50 – 75%) no nível de severidade Muito Baixo e, o maior número de dados, 746 estavam na faixa 4 (75-100%) no nível de severidade Muito Baixo. 75 Figura 38 - Análise do sinal de falha do óleo "B" Fonte: Elaboração do próprio autor. A Figura 39 apresenta a análise do sinal de falhas usando como referência o sinal de vibração da caixa redutora operando sem óleo comparado aos sinais de vibração da caixa redutora operando com o óleo “C”. Nesta simulação