Sensor de monitoramento preditivo para maquinário industrial: Jolly Chimp

Abstract

Este trabalho desenvolveu um sistema de monitoramento em tempo real para manutenção preditiva de equipamentos industriais, utilizando sensores de corrente (ACS712) e vibração (piezoelétrico) conectados a um microcontrolador ESP32. O sistema identifica falhas como curtos-circuitos, sobrecargas e desgastes de componentes, transmitindo os dados coletados para uma interface web acessível via Wi-Fi. A página web permite a visualização de informações como potência, corrente e vibração, exibindo gráficos em tempo real e alertas para condições fora do normal. A pesquisa, de caráter quantitativo e experimental, focou na coleta e análise de dados em condições simuladas. O protótipo demonstrou eficácia na detecção de anomalias e na apresentação dos dados em tempo real, com funcionalidade validada pela interface intuitiva. Contudo, algumas limitações foram identificadas, como a sensibilidade reduzida dos sensores em situações específicas e a dependência da conectividade Wi-Fi. A manutenção preditiva, base deste projeto, reduz custos operacionais, aumenta a disponibilidade dos equipamentos e melhora a segurança ao prever falhas antes que ocorram. Tecnologias como sensores IoT, inteligência artificial e análise de Big Data foram integradas para monitoramento contínuo e análise de tendências, alinhando-se aos princípios da Indústria 4.0. A NBR 5462 e a ISO 17359:2018 foram empregadas como base normativa para garantir confiabilidade, mantenabilidade e a implementação eficaz do sistema. A norma ISO 13372:2012 padronizou a terminologia e reforçou a importância de diagnósticos precisos no monitoramento de condição. Os resultados do protótipo indicam potencial para transformar abordagens tradicionais de manutenção industrial, otimizando processos e contribuindo para a sustentabilidade e eficiência operacional. Sugere-se, para estudos futuros, a aplicação de algoritmos de aprendizado de máquina para prever falhas com maior precisão e a realização de testes em ambientes industriais reais, com a inclusão de funcionalidades adicionais, como o monitoramento de temperatura. Este projeto está alinhado ao Objetivo de Desenvolvimento Sustentável nº 9, promovendo inovação e industrialização sustentável. Ao oferecer uma solução escalável e acessível, reforça o papel da tecnologia na modernização das práticas industriais, criando oportunidades para maior produtividade, redução de desperdícios e avanços na gestão de ativos industriais.

This study developed a real-time monitoring system for predictive maintenance of industrial equipment, utilizing current sensors (ACS712) and vibration sensors (piezoelectric) connected to an ESP32 microcontroller. The system identifies faults such as short circuits, overloads, and component wear, transmitting collected data to a web interface accessible via Wi-Fi. The web page allows users to view information such as power, current, and vibration, displaying real-time graphs and alerts for abnormal conditions. The research, quantitative and experimental in nature, focused on data collection and analysis in simulated conditions. The prototype demonstrated effectiveness in anomaly detection and real-time data presentation, validated by its intuitive interface. However, some limitations were identified, such as reduced sensor sensitivity in specific situations and dependence on Wi-Fi connectivity.Predictive maintenance, the foundation of this project, reduces operational costs, increases equipment availability, and enhances safety by predicting failures before they occur. Technologies such as IoT sensors, artificial intelligence, and Big Data analysis were integrated for continuous monitoring and trend analysis, aligning with Industry 4.0 principles. NBR 5462 and ISO 17359:2018 were used as normative bases to ensure reliability, maintainability, and effective system implementation. The ISO 13372:2012 standard standardized terminology and reinforced the importance of accurate diagnostics in condition monitoring. The prototype results indicate potential to transform traditional approaches to industrial maintenance, optimizing processes and contributing to sustainability and operational efficiency. For future studies, the application of machine learning algorithms to improve fault prediction accuracy and tests in real industrial environments with additional functionalities, such as temperature monitoring, are suggested. This project aligns with Sustainable Development Goal No. 9, promoting innovation and sustainable industrialization. By offering a scalable and accessible solution, it reinforces the role of technology in modernizing industrial practices, creating opportunities for greater productivity, waste reduction, and advancements in industrial asset management.