Base de regras de crença hierárquica em árvore para diagnóstico de falhas em sistemas eletromecânicos complexos

Verificações de segurança mais inteligentes para máquinas

Tremes modernos, fábricas e aeronaves dependem de sistemas eletromecânicos complexos repletos de sensores e circuitos de controle. Quando uma falha oculta passa despercebida, as consequências podem ser caras ou até perigosas. Este artigo apresenta uma nova forma de detectar esses problemas precocemente, usando um sistema de raciocínio em camadas que combina o conhecimento de engenharia humano com dados das máquinas, mantendo a lógica transparente o suficiente para que especialistas entendam e confiem.

Por que falhas ocultas são difíceis de detectar

Máquinas grandes, como motores de ímã permanente em trens de alta velocidade, são projetadas para ser muito confiáveis. Falhas reais são raras, portanto há poucos exemplos com defeito para treinar modelos padrão de aprendizado de máquina. Ao mesmo tempo, os sinais provenientes desses sistemas são ricos e entrelaçados: muitos sensores, muitas condições de operação e falhas que podem ser estáveis, crescer lentamente ou ocorrer de forma súbita e aleatória. Modelos baseados em física tradicionais podem ser difíceis demais de construir em detalhe, e modelos puramente baseados em dados podem funcionar como caixas-pretas, fornecendo respostas precisas sem explicar seu raciocínio. Sistemas baseados em regras existentes que tentam misturar regras de especialistas com dados frequentemente esbarram em outro problema: à medida que o número de características dos sensores cresce, o número de regras possíveis explode, tornando a abordagem pesada demais para uso prático.

Uma árvore em camadas de regras compreensíveis

Os autores enfrentam essa explosão de regras diretamente ao reformular como as regras são organizadas. Em vez de uma enorme tabela plana de regras que tenta todas as combinações de características, eles constroem uma árvore de blocos de regras menores. Cada bloco pequeno analisa apenas algumas características cuidadosamente escolhidas e produz uma crença sobre em qual estado de falha a máquina se encontra. Esses blocos são dispostos em uma hierarquia, de modo que blocos de nível superior lidam com as características mais informativas, enquanto os de nível inferior refinam a decisão com detalhes adicionais. Um processo de busca evolutiva explora automaticamente muitos layouts de árvore possíveis e mantém aqueles que equilibram precisão com simplicidade, para que engenheiros não tenham que projetar toda a estrutura manualmente.

Escolhendo os sinais certos para monitorar

Mesmo antes de construir a árvore, o método seleciona as características de sensores mais úteis. Ele mede quão fortemente cada característica se relaciona com os tipos de falha usando ideias da teoria da informação e então ajusta essas pontuações com conhecimento de especialistas sobre como falhas realmente afetam correntes, vibrações e outros sinais. Por exemplo, uma característica que frequentemente varia com velocidade ou carga, mas não com falhas, recebe pontuação menor, enquanto uma característica conhecida por rastrear um padrão específico de falha é valorizada. A pontuação final de cada característica combina evidência dos dados, insight físico e experiência passada em diferentes condições de operação. Apenas as características mais bem classificadas são mantidas, reduzindo o espaço de entrada e impedindo que regras desnecessárias sejam criadas desde o início.

Combinando pistas sobrepostas sem contagem dupla

Como a árvore contém vários blocos de regras que podem depender de sinais relacionados, suas saídas não são independentes. Se essa sobreposição for ignorada, um método de fusão padrão pode contar inadvertidamente a mesma evidência várias vezes e distorcer o diagnóstico final. Para evitar isso, os autores adaptam um framework chamado MAKER, que mede quão semelhantes são as saídas de diferentes blocos, incluindo ligações não lineares sutis. Cada bloco recebe uma confiabilidade baseada em sua precisão passada, um peso que reflete sua importância e uma medida de correlação que mostra quanto da sua informação já está presente em outro lugar. Esses fatores são usados em conjunto para ajustar quanto cada bloco influencia a decisão final, de modo que pistas fortes mas redundantes sejam atenuadas enquanto pistas únicas e confiáveis tenham maior peso.

Testando o método em motores reais

Para avaliar a abordagem, os pesquisadores usaram um sistema de acionamento elétrico real baseado em um motor síncrono de ímã permanente, semelhante aos usados em trens de alta velocidade. Eles injetaram quatro tipos de falhas de sensor nas medições de corrente: deslocamento estável, ganho incorreto, deriva lenta ao longo do tempo e picos intermitentes aleatórios, além de um estado saudável. A partir de estatísticas simples no domínio do tempo da corrente, como energia e medidas relacionadas a picos, o método selecionou um conjunto compacto de seis características e construiu uma árvore hierárquica de regras. Com apenas 480 amostras de dados, ele igualou ou superou a precisão de vários modelos avançados de aprendizado de máquina, usando muito menos regras do que um sistema tradicional de regras de crença e mantendo cada passo do raciocínio rastreável. A estrutura em árvore também tornou o treinamento e a inferência em tempo real mais rápidos, um ponto importante para monitoramento industrial.

O que isso significa para máquinas mais seguras

Em termos simples, o estudo mostra que máquinas complexas podem ser monitoradas com um sistema de regras que permanece gerenciável, explica suas escolhas e funciona bem mesmo quando há poucos exemplos de falha. Ao primeiro selecionar os sinais mais informativos, depois organizar pequenos blocos de regras em uma árvore e fundir suas saídas de maneira consciente à correlação, o método evita o aumento usual no número de regras e a opacidade de muitos modelos de aprendizado. Para operadores de trens, fábricas e outros sistemas críticos de segurança, isso oferece um caminho para ferramentas de diagnóstico de falhas que são ao mesmo tempo precisas e compreensíveis, ajudando especialistas humanos a confiar e refinar alertas automatizados em vez de aceitá-los sem questionar.

Citação: Chen, M., Su, T., Cheng, C. et al. Hierarchical tree-structured belief rule base for fault diagnosis of complex electromechanical systems. Sci Rep 16, 15267 (2026). https://doi.org/10.1038/s41598-026-45997-x

Palavras-chave: diagnóstico de falhas, sistemas eletromecânicos, base de regras de crença, falhas de sensores, modelagem hierárquica