Como usar esses dados de comprimento de onda para analisar a condição do equipamento através de IA?
A combinação de dados de comprimento de onda refletido coletados por sistemas de sensoriamento de grade de fibra com algoritmos de inteligência artificial (IA) é o elo central para alcançar o monitoramento da saúde estrutural (SHM) e a previsão e gerenciamento de falhas (PHM) de equipamentos.
Da propagação de tempo de comprimento de onda óptico de nível inferior à avaliação de estado de saúde de equipamento de nível superior, a arquitetura de implementação técnica padrão é geralmente dividida nos seguintes quatro níveis:
I. Redução de Quantidade Física e Limpeza de Dados (Camada de Pré-processamento)
A quantidade física bruta de saída pelo demodulador de grade de fibra são os comprimentos de onda centrais de Bragg \lambda_B (o princípio fundamental segue \lambda_B = 2 n_{\text{eff}} \Lambda) nos pontos de medição. Antes de serem inseridos no modelo de IA, o pré-processamento básico é necessário:
- Desacoplamento de Temperatura e Deformação: Grades de fibra são sensíveis tanto à temperatura quanto à deformação. É necessário eliminar a deriva da temperatura ambiente por meio de um algoritmo de calibração diferencial para obter deformação mecânica pura \varepsilon(t) ou distribuição de campo de temperatura T(t).
- Filtragem e Redução de Ruído de Sinal: Utilize denoising de Wavelet, Filtro de Kalman ou decomposição modal empírica (EMD) para filtrar o ruído branco de alta frequência introduzido por jitter na ligação de fibra ou flutuação da fonte de luz.
- Alinhamento e Padronização de Dados: Unifique a taxa de amostragem multicanal (por exemplo, de 10\ \text{Hz} a 100\ \text{Hz}) e realize padronização Z-score ou normalização de máximo e mínimo.
II. Engenharia de Recursos e Caracterização de Estado (Camada de Extração de Recursos)
Extraia características multidimensionais de caracterização do sinal contínuo de comprimento de onda com base nas características dinâmicas e estáticas do objeto monitorado:
- Características Estatísticas no Domínio do Tempo: Média, variância, valor pico a pico, fator de margem, fator de pulso e curtose (Kurtosis, altamente sensível a anomalias de impacto causadas por corrosão precoce ou rachaduras em equipamentos).
- Características no Domínio da Frequência e Tempo-Frequência: Para monitoramento de vibração e deformação dinâmica, utilize Transformada Rápida de Fourier (FFT) ou Transformada de Fourier de Curto Prazo (STFT) para extrair frequência característica, razão de energia harmônica; utilize técnicas de análise modal para deduzir a frequência natural, o modo e a razão de amortecimento do equipamento. A diminuição da frequência natural geralmente indica diretamente degradação de rigidez ou dano estrutural.
- Características Topológicas Espaciais: Grades de fibra possuem capacidade natural de multiplexação quase distribuída. Múltiplos pontos de medição FBG em uma única fibra formam um arranjo espacial, permitindo a extração de momento de flexão transversal, taxa de variação de curvatura e campo de gradiente de deformação espacial.
III. Modelagem de IA e Análise de Condição de Saúde (Camada de Inferência de Algoritmo)
Com base na completude dos rótulos dos dados de treinamento e nos objetivos de negócios, geralmente são usadas as seguintes categorias de arquiteturas de algoritmos de IA:
1. Detecção Antecipada de Anomalias (Aprendizado Não Supervisionado)
- Cenário de Aplicação: O equipamento opera em estado normal na maior parte do tempo, com poucas amostras de falha.
- Modelos de Algoritmo: Isolation Forest, One-Class SVM ou Autoencoder LSTM (LSTM-Autoencoder).
- Lógica de Implementação: Treine um autoencoder usando características de comprimento de onda de fases de operação saudáveis históricas. Quando ocorrem descamação por fadiga ou superaquecimento localizado dentro do equipamento, o resíduo (Reconstruction Error) entre o sinal medido real e o sinal reconstruído pelo modelo aumenta significativamente. Ao exceder o limiar dinâmico, é determinado como um estado de pré-saúde precoce.
2. Diagnóstico e Classificação de Falhas (Aprendizado Supervisionado)
- Cenário de Aplicação: Modos de falha típicos conhecidos do equipamento (como desgaste do anel interno do rolamento, afrouxamento de parafusos, instabilidade da base, etc.) e dados rotulados disponíveis.
- Modelos de Algoritmo: Rede Neural Convolucional 1D (1D-CNN), Rede Residual (ResNet) ou Árvore de Decisão de Aumento de Gradiente (XGBoost/LightGBM).
- Lógica de Implementação: Use sequências de tempo contínuo de comprimento de onda ou espectros tempo-frequência como tensores de entrada; o modelo extrai automaticamente características de falha de alta ordem, produzindo uma distribuição de probabilidade de classe de falha e um grau de confiança.
3. Previsão de Vida Útil Restante (RUL / Regressão de Séries Temporais)
- Cenário de Aplicação: Prever quando o equipamento atingirá o limiar de falha para realizar manutenção preditiva.
- Modelos de Algoritmo: Long Short-Term Memory (LSTM), Gated Recurrent Unit (GRU), Transformer ou Rede Neural que Incorpora Física (PINN).
- Lógica de Implementação: Combine a contagem de ciclos de deformação calculada pelo método de contagem de fluxo de chuva (Rainflow Counting) e insira em um modelo de rede neural com atenção de série temporal, integrando modelos de evolução de danos por fadiga de materiais (como o critério de Miner) para prever tendências de expansão de rachaduras e a vida útil operacional segura restante do equipamento.
IV. Computação de Borda e Integração de Sistemas Industriais
Para atender aos requisitos de inferência em tempo real, o demodulador geralmente transmite dados de comprimento de onda em fluxo por meio de protocolos de rede de alta velocidade para dispositivos de computação de borda industrial:
- Dispositivo de Coleta de Dados de Nível Inferior: Utilize o OFSCN® Fiber Bragg Grating Interrogator, que fornece resolução de comprimento de onda de 1\ \text{pm} ou 0.1\ \text{pm} e suporta frequência de amostragem de 1\ \text{Hz} a 100\ \text{Hz}, capaz de atender às necessidades de monitoramento de deformação estática de baixa frequência a análise de resposta dinâmica de média a alta frequência.
- Interface de Integração: O demodulador suporta protocolos industriais comuns como TCP, UDP e Modbus, facilitando a conexão contínua de dados de comprimento de onda multicanal em matrizes ao motor de inferência de IA implantado no gateway de borda ou à plataforma de nuvem de gêmeos digitais.
