O rolamento do motor é um componente chave no motor. Seu desempenho e vida útil afetam diretamente a confiabilidade operacional e o custo de manutenção do motor. A previsão precisa da vida útil dos rolamentos do motor ajuda a tomar medidas de manutenção ou substituição com antecedência, evitando acidentes de parada devido a danos nos rolamentos. Este trabalho apresenta o estado da arte sobre a previsão de vida, abordando os métodos e práticas de previsão de vida, considerando a estrutura básica e o princípio de operação dos mancais de motores.
O rolamento do motor é usado principalmente para apoiar o rotor, reduzir a fricção entre o rotor e o estator e garantir o funcionamento normal do motor. Os rolamentos comuns do motor têm o rolamento de rolamento e o rolamento de deslizamento. O rolamento de rolamento é composto principalmente de anel interno, anel externo, corpo de rolamento e gaiola. O rolamento de deslizamento é composto principalmente de bucha e pescoço de eixo. Quando o motor está em operação, os mancais estão sujeitos a cargas radiais e axiais, gerando atrito e desgaste.
Os métodos de predição de vida útil de mancais de motores incluem principalmente métodos baseados em modelos teóricos e métodos baseados em dados.
Método de previsão baseado em modelo teórico: este método analisa o mecanismo de falha do rolamento e cria um modelo matemático para prever a vida útil do rolamento. Os mecanismos comuns de falha incluem falhas por fadiga, desgaste e corrosão, entre outros. A vantagem dos métodos de predição por modelos teóricos reside na capacidade de explicar mecanicamente o processo de falha de um mancal, mas muitas vezes requer um profundo conhecimento do material e do processo de fabricação do mancal.
Método preditivo baseado em dados: este método cria modelos estatísticos ou modelos de aprendizado de máquina para prever a vida útil do rolamento, coletando e analisando uma grande quantidade de dados sobre a operação do rolamento. Modelos estatísticos comuns incluem o modelo de distribuição weibull, o modelo de distribuição exponencial, etc. Modelos de aprendizado de máquina incluem redes neurais, máquinas de vetores de suporte, etc. Os métodos de predição orientados por dados têm a vantagem de serem capazes de aproveitar ao máximo os dados operacionais disponíveis, mas com elevados requisitos de qualidade e quantidade de dados.
Aqui está um caso de previsão de vida de um rolamento de motor baseado em dados:
Um parque eólico possui um lote de geradores eólicos do mesmo modelo, cada um equipado com os mesmos mancais. Para prever a vida útil desses mancais, foram coletados dados operacionais de cada mancal do gerador, incluindo parâmetros como tempo de operação, temperatura e vibração. Através da limpeza e pré-processamento desses dados, a equipe selecionou parâmetros característicos adequados como entrada para o modelo.
Em seguida, a equipe utilizou a máquina de vetores de suporte (SVM) como modelo preditivo para a previsão da vida útil do mancal. Primeiro, eles treinaram o modelo com uma parte dos dados e, em seguida, validaram e testaram com outra parte dos dados. Durante o treinamento do modelo, a equipe utilizou métodos como grid search e cross validation para otimizar os parâmetros do modelo, a fim de melhorar a precisão da predição.
Finalmente, a equipe comparou as previsões com as condições operacionais reais e encontrou uma boa concordância entre as previsões do modelo e a vida útil real. Através deste caso, podemos ver o valor da aplicação prática de métodos de previsão de vida baseados em dados.
Este trabalho apresenta a estrutura básica e o princípio de funcionamento dos mancais de motores elétricos, bem como o estado da pesquisa e casos práticos de predição de vida útil. Na prática, pode-se observar que os métodos de predição de vida baseados em dados são de grande valor de aplicação, sendo capazes de prever com precisão a vida útil dos mancais do motor. No entanto, este método apresenta altos requisitos em termos de qualidade e quantidade de dados, portanto, cuidados com a aquisição e tratamento dos dados em sua aplicação prática são necessários. Além disso, os métodos de predição baseados em modelos teóricos também apresentam a vantagem única de explicar mecanicamente o processo de falha do mancais. Pesquisas futuras podem explorar ainda mais a combinação dessas duas abordagens com otimização para melhorar a precisão e a confiabilidade da previsão de vida útil dos mancais do motor.
