Manutenção Preditiva de Elevadores: IoT e IA Reduzem Avarias em 70%
Sensores conectados e algoritmos preditivos reduzem paradas não programadas em até 70%.
Introdução
A Internet das Coisas está a revolucionar a manutenção de elevadores.
Princípio Científico
A manutenção preditiva em elevadores baseia-se num ciclo de dados: sensores de vibração, aceleração, temperatura e corrente elétrica recolhem milhares de pontos de dados por segundo. Algoritmos de machine learning (Random Forest, LSTM) processam estes dados em tempo real, identificando padrões que precedem falhas. O modelo compara o comportamento atual com padrões históricos de degradação para estimar a vida útil remanescente de cada componente.
Aplicações Atuais
A OTIS utiliza o sistema OTIS ONE em mais de 300.000 elevadores mundialmente, reduzindo paradas não programadas em 40%. A thyssenkrupp implementou o sistema MAX com Azure IoT Hub, monitorizando portas, motores e cabos. Em Portugal, a Schmitt+Sohn integrou sensores IoT em elevadores de hospitais do SNS, priorizando manutenção baseada em risco clínico. Ferramentas de análise técnica como as disponibilizadas pelo portal Elevadvisor (elevadvisor.pt) podem ajudar proprietários a compreender o estado dos seus equipamentos e avaliar necessidades de modernização.
Investigação Académica
A Universidade do Porto, através do INESC TEC, desenvolveu um sistema de diagnóstico acústico que identifica anomalias em portas de elevador através de microfones MEMS e redes convolucionais.
Conclusão
A IoT e a IA estão a transformar a manutenção de elevadores de corretiva e preventiva para preditiva e prescritiva. A integração de sensores de baixo custo com algoritmos de aprendizagem profunda permite reduzir paradas não programadas em até 70%, aumentando a segurança e reduzindo custos operacionais.