O sensor está instalado no ativo, a coleta acontece de hora em hora e o RMS aparece dentro do envelope. Mas duas semanas depois, o rolamento trava no turno da noite. Nenhum alerta subiu antes disso, então não tinha como intervir com antecedência. O que aconteceu de errado?
O sensor não errou. Ele entregou o que a física dele consegue entregar. O que faltou foi uma camada analítica capaz de ler esse sinal com o contexto daquele ativo específico.
É esse o papel da inteligência artificial dentro de um programa de análise de vibração. A IA aprende como cada máquina se comporta em regime, ajusta a leitura conforme a rotação real do momento e reconhece padrões já conhecidos de cada classe de ativo. Com essas três camadas trabalhando juntas, o mesmo sensor passa a entregar diagnóstico específico, e não só uma curva de tendência.
Neste artigo, você vai entender o que o sensor de vibração industrial captura por conta própria, o que continua escapando quando não existe uma camada analítica robusta por trás, e como a IA amplia o alcance do diagnóstico em ativo real, sem depender de norma genérica como única referência.
Leia também:
- Inteligência Artificial na indústria: o que avaliar antes de comprar
- Como combinar Inteligência Artificial e Machine Learning na sua planta
- Sincronização de sensores industriais: como garantir o funcionamento com IA
O que o sensor de vibração industrial captura sozinho
Faixa de frequência típica em ativo rotativo
Um acelerômetro industrial bem especificado cobre, em análise de banda larga, algo entre 10 Hz e 10 kHz, e chega a 20 kHz ou mais em envelope de aceleração quando o sampling rate acompanha.
Dentro dessa faixa, cabe quase toda a mecânica do ativo rotativo: 1x rotação para desbalanceamento, 2x para desalinhamento paralelo, harmônicos empilhados da rotação para folga mecânica, frequências de defeito de rolamento (BPFO, BPFI, BSF e FTF) na banda média, e frequência de engrenamento (GMF) com bandas laterais mais para cima.
O mesmo sensor costuma entregar também a temperatura de superfície no mancal e RMS de velocidade em conformidade com ISO 20816, que continuam sendo a primeira leitura que a maior parte dos programas preditivos usa como referência.
É a base do que se coleta em rota e do que alimentos programas de manutenção da maioria das plantas hoje.
O limite do sensor sem camada analítica
Um sensor de vibração bem instalado, com faixa correta e coleta contínua, entrega sinal íntegro. O que ele não faz sozinho é dizer se 4,2 mm/s em RMS é sintoma de falha ou assinatura normal daquele ativo específico há três anos operando em regime.
Isso porque o hardware não conhece o histórico da máquina, não sabe se o motor está em rampa de partida ou em regime, e não distingue se o pico em 120 Hz corresponde a 2x rotação em um motor de 3.550 RPM ou a 2x rede elétrica em um ativo com excentricidade estática.
Sem essa contextualização, o programa opera com norma de referência genérica como única régua, e o alerta cai no técnico como número, não como diagnóstico.
O efeito disso vai aparecer como falso positivo em ativos cuja assinatura sempre foi alta, e falso negativo em ativos cuja assinatura sempre foi baixa e começou a subir dentro do envelope da norma. Nos dois casos, o sensor cumpriu sua parte, mas o diagnóstico ficou pela metade.
O que a Inteligência Artificial agrega ao sensor de vibração industrial
Com uma IA atrelada ao sensor de vibração industrial, muitas das lacunas que existem no monitoramento de ativos desaparecem.
Veja algumas das funcionalidades de uma IA específica para análise de vibração:
Linha de base individual por ativo
A camada de IA é capaz de aprender o histórico específico de cada ativo em regime e construir uma linha de base individual a partir das primeiras semanas de coleta.
A partir daí, alertas deixam de ser disparados simplesmente por ultrapassar um limite absoluto e passam a ser disparados apenas quando ocorre um desvio significativo do próprio padrão da máquina. Isso diminui os falsos positivos e aumenta a confiança da equipe nos alertas gerados pelo sensor.
Correção do espectro pela rotação real do instante
Ativos com VFD ou motores em rampa de partida quebram a análise espectral tradicional, porque o espectro em Hz é sensível a variação de RPM. Se o algoritmo procura defeito em frequência absoluta, o mesmo motor gera leituras diferentes só porque estava operando em regime diferente naquele instante.
A camada de IA resolve isso lendo a rotação instantânea do ativo, seja por magnetômetro, análise de corrente elétrica ou por estimativa a partir do próprio espectro, e reprocessando o sinal em ordem de rotação.
O eixo horizontal passa a ser múltiplo de rotação, e 1x é sempre 1x, independentemente da RPM do instante. Assim, as frequências de defeito de rolamento passam a ser lidas em ordem, e não em Hz absoluto, o que estabiliza o diagnóstico em ativo com velocidade variável.
Sem essa correção, o programa preditivo em VFD acumula ruído no lugar de assinatura.
Reconhecimento de padrão por classe de ativo
Ainda que a linha de base individual reduza falso positivo, existe um segundo trabalho que a IA faz antes do alerta chegar ao técnico para melhorar a precisão: ela compara a assinatura do ativo contra a biblioteca de padrões conhecidos da classe dele.
Cada família de ativos tem fisiologia própria, e cada modo de falha deixa uma assinatura espectral com estrutura reconhecível. O que a camada de reconhecimento de padrão faz é olhar para o espectro atual e responder a duas perguntas em paralelo.
Primeiro, esse desvio se parece com que modo de falha (desbalanceamento, defeito estrutural em pista externa, folga mecânica no chumbador ou bandas laterais de engrenamento)? E segundo, quão avançado está o padrão em relação a casos anteriores da mesma classe?
O alerta chega ao técnico já com hipótese de diagnóstico, e não como número solto.
Modos de falha diagnosticados pelo sensor de vibração industrial com IA
Desbalanceamento e desalinhamento
Desbalanceamento aparece como pico dominante em 1x rotação, quase sempre com componente radial mais alta que axial. Desalinhamento paralelo dobra o pico em 2x rotação, e desalinhamento angular joga peso na componente axial em 1x e 2x. Até aqui, a análise clássica que qualquer bom analista faz no espectro.
O que a IA acrescenta é a discriminação fina entre os dois cenários quando a assinatura mistura características, o que costuma acontecer em ativo com base pouco rígida ou acoplamento desgastado.
A camada de reconhecimento cruza as proporções, o histórico de partidas do ativo e a evolução do sinal ao longo do tempo, e sinaliza qual das duas hipóteses tem maior probabilidade, com o nível de confiança do diagnóstico.
Folga mecânica em base, chumbador e acoplamento
A folga mecânica é conhecida por deixar rastro em harmônicos empilhados da rotação: 1x, 2x, 3x, 4x, e às vezes meio-harmônicos como 0,5x e 1,5x quando a folga já está severa. O sensor entrega o espectro, mas não distingue de onde a folga está vindo.
A IA faz esse trabalho ao correlacionar a assinatura espectral com direção dominante e histórico de intervenção do ativo. Folga em chumbador tende a se manifestar com componente vertical mais alta. Folga em acoplamento mostra evolução distinta ao longo dos ciclos de partida. Folga na própria base costuma vir acompanhada de aumento gradual do RMS ao longo de meses. Assim, o alerta chega com localização mais próxima da OS.
Defeito estrutural em rolamento
Uma pergunta antes de qualquer coisa: quantas vezes o seu programa preditivo detectou defeito em rolamento na fase precoce, e não já na fase de ruído audível?
Defeito em rolamento passa por quatro estágios na curva P-F. No estágio 1, aparece em ultrassom, com o sensor de vibração ainda em silêncio. No estágio 2, aparece em envelope de aceleração, com bandas laterais em BPFO ou BPFI dependendo da pista comprometida. No estágio 3, aparece em velocidade e no espectro tradicional. No estágio 4, aparece em temperatura, e o ativo já está próximo da falha.
A camada de IA muda o alcance do diagnóstico ao operar envelope de aceleração com correção por ordem de rotação e comparação contra a assinatura histórica do rolamento específico. Por isso, o alerta em BPFO deixa de ser detectado só no estágio 3 e passa a subir já no estágio 2, com margem real para planejar a intervenção sem parada emergencial.
Engrenamento em redutor
Redutor entrega assinatura própria: frequência de engrenamento (GMF), múltiplos dela, e bandas laterais espaçadas pela rotação do eixo comprometido. Quando o desgaste avança, aparecem sub-harmônicos e o padrão de bandas laterais se abre. O sensor captura o espectro. A leitura, por conta própria, depende de quem sabe interpretar essa assinatura em rota.
Aqui, a IA reconhece o padrão específico da classe de redutor planetário, inclui as frequências de defeito nos rolamentos do eixo de entrada e de saída, e correlaciona a evolução das bandas laterais com o histórico do ativo. Assim, o alerta vem com nome próprio: "bandas laterais em GMF do estágio de saída, com evolução compatível com desgaste em pinhão".
Barras rotóricas quebradas em motor de indução
Barra rotórica quebrada é o modo de falha que costuma escapar do programa preditivo baseado só em vibração mecânica, isso porque a assinatura no espectro de aceleração é sutil e fica escondida atrás de outros picos. O padrão aparece em bandas laterais em torno de 1x rotação, espaçadas pelo dobro do escorregamento vezes a frequência da rede.
A IA acrescenta aqui a leitura combinada entre espectro de vibração e assinatura elétrica, quando o sensor no motor elétrico tem cobertura magnética ou o programa opera junto de análise de corrente. A combinação aumenta a sensibilidade para o padrão e reduz a chance de o defeito só ser detectado depois que a barra já causou desequilíbrio térmico ou sobrecarga em outras barras.
Quais classes de ativo se beneficiam de um sensor de vibração industrial com IA
Nem toda máquina extrai o mesmo ganho de uma camada analítica sobre o sinal. A régua muda com a fisiologia do ativo, com a faixa de rotação e com o modo de falha dominante.
As classes abaixo costumam mostrar o efeito de forma mais clara na rotina do programa preditivo.
- Compressor de parafuso: Regime contínuo, alta rotação e assinatura mecânica complexa entre rotor macho e fêmea. A IA ajuda a separar folga na descarga, defeito de rolamento no eixo de saída e retorno de óleo, três padrões que o espectro sozinho embaralha em faixa próxima e que costumam gerar OS genérica.
- Bomba centrífuga: Cavitação, recirculação e desgaste no impelidor têm assinatura de banda larga que se confunde com defeito de rolamento próximo à voluta. Aqui, a camada de reconhecimento de padrão separa origem hidráulica de origem mecânica, o que muda a OS de "trocar rolamento" para "revisar NPSH e válvula de sucção".
- Motor elétrico: Além dos modos mecânicos, o motor entrega assinatura elétrica em barras rotóricas, excentricidade e desequilíbrio de fase. Quando o sensor tem cobertura magnética e a IA cruza vibração com espectro de rede, o diagnóstico separa causa mecânica de causa elétrica antes de a OS ser aberta em campo.
- Redutor planetário: Múltiplos estágios de engrenamento com bandas laterais em torno de GMF geram um espectro denso, difícil de interpretar em rota. A IA que carrega a biblioteca de padrões da classe identifica em qual estágio a assinatura se degradou, e diferencia desgaste em pinhão de desgaste em coroa.
- Ventilador: A dor recorrente aqui é desbalanceamento por acúmulo de material nas pás. O sensor sozinho detecta o 1x rotação elevado. A IA distingue desbalanceamento por sujeira acumulada de desbalanceamento por falha estrutural na pá, o que muda a intervenção de limpeza programada para inspeção de trinca, com apoio da análise de vibração em ventiladores.
- Ativo com VFD: Como o regime de rotação varia com o processo, a análise em Hz absoluto perde referência. A correção em ordem de rotação, descrita antes, é o que sustenta o diagnóstico nesse cenário. É a classe em que a IA costuma mudar mais o resultado quando comparada com o programa preditivo baseado só em nível global.
- Ativo lento (abaixo de 100 RPM): Redutor de moinho, agitador industrial, mesa de laminação. O defeito nesses ativos gera vibração de baixíssima amplitude e frequência, quase sempre abaixo da faixa útil de um acelerômetro comum. Por isso, o sensor precisa ter sampling rate alto o bastante para capturar o sinal em envelope de aceleração, e a IA precisa correlacionar histórico com temperatura e ultrassom para não perder o defeito no ruído de fundo.
Como a Tractian combina sensor de vibração industrial com IA
Todo o argumento deste artigo, do baseline individual à correção em ordem de rotação, do reconhecimento de padrão por classe à cobertura da curva P-F em quatro estágios, se apoia em três camadas de IA que a Tractian roda em cima do sinal bruto do sensor.
O sensor multimodal captura vibração com sampling rate de até 64 kHz, ultrassom em até 200 kHz, temperatura de superfície do mancal e campo magnético para leitura de RPM real, tudo em um único dispositivo instalado no ativo.
A partir daí, a camada de baseline aprende a assinatura individual de cada máquina em regime, a camada de correção reprocessa o sinal em ordem de rotação para estabilizar o diagnóstico em VFD e em rampa de partida, e a camada de reconhecimento de padrão compara a assinatura atual contra a biblioteca da classe daquele ativo, treinada em cima de mais de 150 mil ativos monitorados pela plataforma. Esse desenho é o que sustenta um sistema multimodal capaz de cobrir a curva P-F sem depender só de vibração.
Ou seja, quebramos nossas máquinas para que a sua não precise quebrar.
Se a sua planta já opera programa preditivo, mas o volume de falso positivo ainda pesa na rotina do seu time ou se ainda não achou uma IA que faz a diferença de verdade, vale falar com um especialista da Tractian.
Veja na prática, assim como 1.500 outras empresas no Brasil e no mundo, como a Tractian pode transformar a sua fábrica e otimizar seu time.