IA com Imagem Térmica para Detectar Falhas em Rolamentos Antes de Quebras Catastróficas

Um centro de distribuição em Ohio teve um rolamento de esteira travando às 2 da manhã de uma terça-feira. O congestionamento resultante entortou 12 metros de estrutura da correia, destruiu o alojamento do rolamento e parou a linha por 19 horas. Dano total: $73.000 mais dois dias de envios perdidos. Uma câmera térmica montada a 3,6 metros daquele rolamento vinha gravando dados por meses, mas ninguém estava assistindo às imagens. A temperatura da pista externa do rolamento vinha subindo 0,4 graus Celsius por dia nos 11 dias anteriores.

Essa deriva térmica lenta e constante é exatamente o tipo de sinal que os sistemas de monitoramento térmico com IA são projetados para captar.

Como a Imagem Térmica Funciona para Monitoramento de Rolamentos

Câmeras térmicas industriais usadas para monitoramento de rolamentos normalmente operam no espectro infravermelho de onda longa (8 a 14 micrômetros), com sensibilidade térmica de 0,05 graus C ou melhor. Elas capturam mapas de temperatura em resoluções de 320x240 a 640x480 pixels, geralmente a taxas de quadros entre 9 e 30 Hz.

Para monitoramento de rolamentos, a câmera é posicionada para capturar o alojamento do rolamento, o eixo próximo ao rolamento e, idealmente, uma superfície de referência na temperatura ambiente. O modelo de IA não olha apenas para a temperatura absoluta. Ele rastreia o gradiente térmico ao longo do rolamento, a taxa de variação de temperatura ao longo do tempo e a relação entre a temperatura do rolamento e as condições operacionais da máquina, como velocidade, carga e temperatura ambiente.

Um rolamento saudável operando em regime estacionário apresentará um perfil térmico estável com distribuição de calor previsível. Um rolamento com dano em desenvolvimento na pista interna mostrará pontos quentes localizados que mudam de posição conforme o eixo gira. A degradação da lubrificação aparece como um aumento geral de temperatura que se correlaciona com o tempo de operação em vez da carga.

O Que a Imagem Térmica Detecta e a Vibração Não

A análise de vibração é excelente para detectar defeitos mecânicos: pitting, spalling, danos na gaiola. Mas a imagem térmica captura uma classe diferente de problemas. Problemas de lubrificação são o principal. Um rolamento operando com graxa degradada ou filme de óleo insuficiente gera calor por atrito antes de gerar vibração detectável. Estudos da NSK mostram que anomalias térmicas por falha de lubrificação podem preceder anomalias de vibração em 5 a 10 dias.

Desalinhamento é outra área onde a imagem térmica se destaca. Um rolamento que está absorvendo cargas axiais anormais devido ao desalinhamento do eixo opera mais quente de um lado, criando uma assimetria térmica que é visível no infravermelho, mas pode não produzir uma assinatura de vibração clara até que o dano esteja mais avançado.

Danos elétricos em rolamentos (correntes de eixo em motores acionados por VFD) também mostram assinaturas térmicas antes de mudanças na vibração. O efeito de usinagem por descarga elétrica cria micropitting que aumenta o atrito e a temperatura gradualmente, enquanto a assinatura de vibração do dano por EDM é frequentemente mascarada pela vibração normal de operação até que o pitting seja severo.

O Pipeline de Processamento da IA

Imagens térmicas brutas precisam de processamento significativo antes de serem úteis para análise preditiva. O pipeline de IA normalmente começa com a detecção de região de interesse (ROI), onde o sistema identifica e rastreia automaticamente cada rolamento no campo de visão da câmera. Isso importa porque câmeras se deslocam, a vibração move os suportes de montagem e atividades de manutenção bloqueiam temporariamente a visão.

Uma vez que as ROIs são estabelecidas, o sistema extrai características: temperatura máxima, temperatura média, variância de temperatura dentro da ROI, magnitude e direção do gradiente térmico e métricas de taxa de variação em múltiplas escalas de tempo. Essas características alimentam um modelo de classificação (geralmente árvores com gradient boosting ou uma rede neural rasa) que atribui uma pontuação de saúde.

Os sistemas mais sofisticados correlacionam dados térmicos com dados operacionais do PLC ou sistema SCADA. Um rolamento que está 15 graus acima da temperatura ambiente enquanto opera em velocidade e carga máximas pode estar bem. O mesmo rolamento a 15 graus acima da temperatura ambiente em meia velocidade e sem carga provavelmente está com problemas. O contexto importa, e a IA precisa de acesso a esse contexto.

Considerações Práticas de Implantação

O posicionamento da câmera é crítico e frequentemente mais restrito do que o posicionamento de sensores para monitoramento de vibração. Câmeras térmicas precisam de linha de visão direta para o alojamento do rolamento, o que nem sempre está disponível em máquinas com coberturas, proteções ou outras obstruções. Superfícies reflexivas (eixos de aço polido, por exemplo) podem causar leituras enganosas porque a emissividade varia com o acabamento superficial.

Fatores ambientais complicam ainda mais. Variações de temperatura ambiente, fontes de calor próximas (motores, fornos, linhas de vapor) e fluxo de ar de ventiladores ou sistemas HVAC afetam a linha de base térmica. Um bom sistema de IA para manufatura leva essas variáveis em conta, mas o período de calibração inicial normalmente leva de 2 a 4 semanas por instalação de câmera.

O custo caiu significativamente. Cinco anos atrás, uma única câmera térmica industrial de montagem fixa custava de $8.000 a $15.000. As opções atuais da FLIR, Optris e vários fabricantes chineses começam em torno de $2.500 para uma câmera 320x240 com sensibilidade adequada para monitoramento de rolamentos. Um sistema para toda a planta com 20 câmeras, hardware de computação de borda e licenciamento de software custa de $80.000 a $150.000, dependendo da complexidade da integração.

Combinando Dados Térmicos e de Vibração

Os melhores resultados vêm da fusão de ambos os tipos de dados. Um estudo de 2024 do Instituto Fraunhofer descobriu que modelos combinados térmico-vibração alcançaram 94% de precisão na previsão de falha de rolamento dentro de uma janela de 7 dias, comparado a 81% apenas para vibração e 76% apenas para imagem térmica. As duas modalidades capturam diferentes modos de falha e diferentes estágios do mesmo modo de falha, então combiná-las reduz os pontos cegos.

Na prática, essa fusão geralmente acontece no nível das características em vez do nível dos dados brutos. As características térmicas e de vibração são concatenadas e alimentadas em um único modelo, ou dois modelos especializados produzem pontuações de saúde independentes que uma camada de fusão combina.

As equipes de manutenção que obtêm mais valor desses sistemas são aquelas que incorporam inspeções térmicas em seus procedimentos operacionais padrão, não como substituição do monitoramento de vibração, mas como uma camada complementar que preenche as lacunas.