fbpx

MANUTENÇÃO PREDITIVA, EVITE O “QUEBRA, CONSERTA”

Necessidade de consertos no maquinário, tecnologias obsoletas, paradas frequentes e quebra de equipamentos. São todos problemas comuns enfrentados no cotidiano da indústria, os quais muitas vezes resultam em trabalho extra para engenheiros e grandes prejuízos para organização.  E se existisse um modo de impedir tais gargalos na linha produtiva? O quanto de tempo e dinheiro seriam economizados!  

O problema é que atualmente muitas indústrias apresentam setores de manutenção fracos. Tais divisões funcionam apenas em uma dinâmica reativa de “quebra, conserta”, não apresentam planejamento prévio e nem possuem um PCM (Planejamento e Controle de Manutenção). A quarta revolução exige cada vez mais das indústrias tecnologias de controles de dados e práticas de manutenção preditivas para se manterem competitivas. Surge a necessidade de investir em profissionais advindos da ciência de dados e startups de IA e IoT para o setor de manutenção. Aliás, a falha de um maquinário ou equipamento, hoje, equivale a milhões de reais em prejuízo.

Manutenção preditiva, manutenção preventiva, industria 4.0

A manutenção preditiva permite uma avaliação muito mais precoce, permitindo que ações adequadas sejam realizadas a tempo, para evitar que um equipamento tenha o seu funcionamento interrompido. Em resumo, imagine a facilidade em se colar uma espécie de “Band-aid” nos ativos da sua indústria, isto é, um mecanismo do tamanho da palma de uma mão, o qual por meio de sensores inteligentes consegue medir a temperatura e vibração dos equipamentos, detectando possíveis anomalias e monitorando a vida útil e saúde do ativo. Tudo isso enviado para uma dashboard nas mãos dos engenheiros e supervisores, em que conseguem tomar decisões mais rápidas e eficientes através de insights automáticos, evitando falhas e gargalos na linha de produção. 

PREDIÇÃO DE FALHAS E DETECÇÃO DE ANOMALIAS

Em uma linguagem mais técnica, a ciência de dados em junção com monitoramento remoto se tornam parte crucial e fator de sucesso no modelo de manutenção preditiva das indústrias, porque garante maior controle dos ativos, melhor detecção de anomalias e consequentemente maior lucro. Basicamente, a predição de falhas nos ativos segue as seguintes etapas:

CONEXÃO COM MISSÃO CRÍTICA

A conexão dos sistemas de missão crítica das indústrias consiste em entender quais maquinários precisam estar o tempo inteiro funcionando ou, no caso de fornecedores, quais equipamentos são cruciais para o negócio. Depois de Identificada, o passo seguinte é conectar os ativos críticos a sensores inteligentes que conseguem medir a temperatura e vibração dos equipamentos, por exemplo, ao mesmo tempo que cruza milhares de dados através de redes de IoT. 

Todos esses dados geralmente são armazenados em nuvem, já que em vez de comprar e manter um parque cada vez maior de servidores dentro da organização, estes são alocados e gerenciados em ambientes externos (por provedores de nuvem seguros).

MANIPULAÇÃO DOS DADOS

Um grande problema após a armazenagem de dados é que, muitas vezes, tal base de informação não se encontra de forma categorizada ou parametrizada. O que torna-se necessário a criação de um sistema de manipulação automática que separe-os em classes ou metas, de acordo com seu grau de importância e poder decisivo para o algoritmo. Como também, é preciso tratar as inconsistências do modelo (por exemplo, “-1” no meio da tabela), caso houver, para não influenciar no resultado da predição.

TREINAMENTO DO APRENDIZADO DE MÁQUINA

Nesta abordagem, a amostra de dados é fornecida a algoritmos de aprendizagem, que por sua vez treinarão os modelos para que aprendam mapear estas relações automaticamente. Existem 3 principais tipos de aprendizado de máquina:

  • Supervisionado: o algoritmo prevê um valor com base nos padrões descobertos em dados anteriores validados por um especialista
  • Não supervisionado: o algoritmo encontra tendências e padrões nos dados, sem treinamento prévio em dados históricos e supervisão de um especialista. Descreve suas relações com base em análises estatísticas.
  • Reforço: o algoritmo usa um loop de feedback para melhorar iterativamente seu desempenho, aprendendo a melhor forma de resolver um problema com base em tentativa e erro

Os algoritmos desses grupos que se alinham melhor com os objetivos e metas da predição são escolhidos. No entanto, mais importante do que estritamente modelar relações contidas em uma amostra de dados, é ser capaz de predizer a resposta para novos dados nos quais não se conhece a resposta correta; ou seja, é preciso que o modelo saiba generalizar para “situações” nas quais ele não foi previamente exposto.

TESTE EM CENÁRIO CONTROLADO

O teste em cenário controlado consiste em simular o funcionamento de um equipamento a ponto de testar o algoritmo com a realidade. A criação desse ambiente possibilita a realização dos testes de iteração e sistema, de modo a permitir uma validação acerca do modelo antes que esse seja implementado nos ativos críticos. O espaço deve garantir a integridade dos testes realizados, por isso deve ser isolado, com processamento independente e características similares ao ambiente de desenvolvimento e produção.

No caso da manutenção preditiva, muitas vezes, os equipamentos fornecidos para o teste são  forçados a falharem ou funcionarem de forma estranha para identificar se o algoritmo encaminha os insights automáticos com base nos problemas simulados.

SISTEMA APRENDENDO

Depois do teste em cenário controlado, todos os modelos computacionais já validados são implementados em uma máquina que esteja participando do processo de produção, de forma que não precise a todo momento ficar treinando o software de gestão de ativos.

“BAND-AID” PREDITIVOS

Manutenção preditiva, sensores inteligentes, IA, IoT

É de suma utilidade a construção de um sensor IoT do tipo “Band-Aid” a ser colado em ativos importantes de sua indústria para detectar anomalias e entender o comportamento dos processos produtivos e máquinas, medindo vibração, temperatura e posicionamento dos mais diversos tipos de ativos, intercalando com bases de dados já existentes e métodos de ciência de dados. 

A todo momento a TRACTIAN está coletando e cruzando dados de diferentes máquinas e equipamentos ao redor do Brasil. Através do nosso conhecimento industrial e “band-aids” preditivos para ativos, você pode amplificar seus dados e prever anomalias e ricos de diferentes formas!

Solicitar Demonstração

1 Comment

  • AffiliateLabz
    Posted 15/02/2020 22:19 0Likes

    Great content! Super high-quality! Keep it up! 🙂

Leave a comment