Manutenção preditiva por vibração
Sensores em máquinas industriais transmitem vibração e temperatura; um modelo não supervisionado aponta um rolamento falhando dias antes.
- MQTT (Mosquitto)
- InfluxDB
- Apache Airflow
- scikit-learn
- Grafana
Demo interativa
Injetar um defeito
Velocidade do tempo
Arraste para girar · role para aproximar · Treinando o Isolation Forest com 400 janelas saudáveis…
Dia–
Temp. do mancal–
RMS da vibração–
Curtose–
Score de anomalia–
Estado–
O que experimentar
- Injete desgaste no rolamento e observe o espectro: os impactos excitam uma ressonância perto de 2,3 kHz muito antes do RMS geral se mexer. O modelo vê; o alarme clássico não.
- Reinicie e injete desbalanceamento: aqui o pico de 1× rotação cresce e o RMS também funciona. A vantagem do modelo é menor, e a linha do tempo mostra isso com honestidade.
- Baixe o limiar e deixe a máquina saudável rodando: aparecem alarmes falsos. Todo limiar é uma troca entre antecedência e confiança do operador.
O problema
Falhas são raras, então quase não há dados rotulados para aprender. O modelo precisa aprender como é o normal de cada máquina e perceber o desvio, sem afogar os operadores em alarmes falsos.
Como funciona
- Os sensores publicam via MQTT; uma ponte grava as leituras brutas no InfluxDB.
- O Airflow calcula features espectrais (bandas de FFT, RMS, curtose) por máquina a cada poucos minutos.
- Um Isolation Forest por máquina pontua cada janela; um score suavizado que cruza o limiar abre um alerta.
- Este é o único projeto pensado para rodar ao vivo neste servidor, com máquinas simuladas.
O que é real, o que é simulado
Real
- A FFT, as features (RMS, curtose, fator de crista, energia por banda) e o Isolation Forest foram implementados do zero e rodam no seu navegador.
- O modelo é treinado quando a página carrega, só com janelas saudáveis; o limiar é o percentil 99,5 dos scores delas.
- As antecedências na linha do tempo vêm dos alertas reais do modelo na sua execução.
Simulado nesta demo
- O sinal de vibração é sintético: harmônicos do eixo, ruído e impactos do rolamento na frequência de defeito da pista externa, excitando uma ressonância estrutural.
- A degradação segue uma curva exponencial fixa de 21 dias; o tempo é comprimido.
- Limitação conhecida: o superaquecimento mexe num único sensor, e o score do Isolation Forest satura acima da faixa de treino; nesse defeito o modelo geralmente não avisa antes do alarme clássico de temperatura.
Ainda não construído
- Detector híbrido: limites físicos por sensor ao lado do modelo
- Broker MQTT, InfluxDB e Airflow rodando ao vivo neste servidor
- Validação num dataset público de rolamentos (ex.: NASA IMS / CWRU)
- Dashboard no Grafana