fbpx
manutenção preditiva

Por John Klaess

O que é a manutenção preditiva?

A manutenção preditiva é uma das aplicações mais interessantes da tecnologia digital na manufatura.

Simplificando, a manutenção preditiva é o uso de dados novos e históricos das máquinas para entender e, idealmente, antecipar problemas de desempenho antes que eles aconteçam. Usando técnicas sofisticadas de aprendizagem de máquinas e IA para analisar os dados gerados na fábrica moderna, a análise preditiva pode diminuir o tempo de inatividade, otimizar o desempenho dos ativos e aumentar a vida útil das máquinas.

As promessas feitas em nome da manutenção preditiva (PdM) são grandes. Aumento de dois dígitos na utilização de ativos. Máquinas inteligentes que sinalizam problemas de desempenho antes que eles aconteçam. Saltos enormes em OEE, TEEP e OPE.

Para a maioria das empresas, esse mundo ainda está longe. E mais importante, não é algo que os algoritmos preditivos certos possam resolver sozinhos.

Este artigo colocará a manutenção preditiva em contexto. Vamos explicar por que a PdM não é apenas um problema de IA e descrever etapas claras que você pode executar para aproveitar ao máximo seu programa de monitoramento de máquinas.

A manutenção preditiva em contexto

Na manufatura, a maioria dos atuais programas de manutenção é preventiva. A manutenção preventiva (PM) ocorre em intervalos regulares programados, ou quando as máquinas excedem os limites de produção prescritos.

A manutenção preventiva é importante para garantir a integridade dos ativos, mas é um instrumento abrupto. Ela não leva em consideração as condições sob as quais opera uma máquina individual, o desgaste diferenciado de diferentes peças da máquina ou outros fatores que podem prever falhas. Muitas vezes, isto resulta em agendas de manutenção mais ou menos frequentes do que o necessário. (O exemplo clássico é trocar o óleo do seu carro a cada 3000 milhas, independentemente do desempenho).

Por outro lado, a manutenção preditiva usa os dados gerados por uma máquina específica para criar uma imagem mais granular dos ciclos de vida de peças e ativos. Teoricamente, ela elimina as suposições da programação de manutenção. Ao fornecer visibilidade sobre como uma determinada máquina se degradará, a manutenção preditiva permite que as empresas executem a manutenção somente quando for necessário.

O sucesso de qualquer esforço de manutenção preditiva depende da qualidade e quantidade dos dados disponíveis em um conjunto de treinamento.

Ou seja, você precisa de: 1) dados suficientes para criar uma amostra representativa do desempenho das máquinas ao longo do tempo e 2) dados que reflitam com precisão o desempenho e o uso das máquinas em condições locais.

Para esclarecer por que é importante ter dados suficientes e bons dados, vamos analisar cada um destes pontos separadamente.

Em primeiro lugar, a quantidade.

A manutenção preditiva precisa da quantidade certa de dados

É um mito que você precisa de petabytes e mais petabytes de dados sobre as máquinas para treinar com sucesso algoritmos preditivos. Também é um mito dizer que é melhor ter mais dados. Tenho certeza de que muitos de vocês já ouviram a frase "lixo dentro, lixo fora" para descrever como um conjunto de treinamento ruim levará a resultados abaixo do ideal.

O que você precisa para fazer a manutenção preditiva é de dados suficientes para fornecer uma amostra representativa do desempenho das máquinas, para explicar seu uso em uma determinada operação.

Segundo um professor de engenharia industrial, criar uma amostra representativa não é tarefa fácil. "Quando existirem milhares de variáveis, você normalmente precisará de dados sobre centenas de milhares ou milhões de partes, a fim de encontrar associações estatísticas significativas entre problemas e suas causas".

Isso é especialmente verdadeiro quando se considera essas palavras qualificadas − “uso em uma determinada operação”.

Veja por que: os ciclos de vida das máquinas se desdobram ao longo dos anos, se não décadas. Portanto, a coleta de um conjunto de dados representativo exige a observação de uma máquina enquanto ela percorre um período de tempo estendido. Como observou um grande grupo de dados sobre a manutenção preditiva, "a vida útil das máquinas geralmente é da ordem de anos, o que significa que os dados precisam ser coletados por um período prolongado para observar o sistema durante todo o processo de degradação".

Esse problema de quantidade é agravado pelo fato de muitas empresas não terem dados históricos adequados. Pode haver informações sobre tempo de atividade e tempo de inatividade, peças produzidas e registros de manutenção. Mas é uma grande suposição de que essas informações sejam precisas e provavelmente não sejam suficientemente detalhadas para gerar insights realmente preditivos.

Muitas empresas tentaram superar essa falta de dados treinando seus algoritmos preditivos em conjuntos de dados publicamente disponíveis. Embora a maioria das empresas privadas proteja ferozmente seus dados de produção, há uma grande troca de fontes científicas e de domínio público, e uma rápida pesquisa no Google mostra muitas delas no Github.

Mas nem isso é suficiente para levar as empresas de manutenção preventiva (PM) para manutenção preditiva (PdM), porque eles não capturam a realidade da fabricação no local. Independentemente do tamanho do conjunto de dados, eles não têm validade ecológica.

Um engenheiro capturou bem esse dilema de dados quando escreveu: “Na maioria das vezes, é difícil (se não impossível) [sic] ter registros de falha das máquinas porque não há permissão para executar a falha em condições reais. Além disso, temos que trabalhar com muito barulho proveniente de atividades de manutenção regulares e entradas de ordens de trabalho imprecisas de manutenção... a vida real é difícil”.

Então isso me leva ao próximo ponto. Você não precisa apenas de dados suficientes, mas do tipo certo de dados.

A manutenção preditiva precisa dos dados de qualidade certa

Talvez outra maneira de descrever a qualidade dos dados no contexto da manutenção preditiva é que ela seja suficiente para possibilitar inferir a sua causa.

Isto é, dados de qualidade são dados que movem as empresas para além das trevas da correlação em direção às causas principais das falhas das máquinas.

Isto é mais fácil dizer do que fazer, pois vários fatores de produção influenciam a rapidez com a qual uma peça ou máquina alcançará uma janela de falha. Velocidade do eixo, horas de funcionamento, temperatura, vibração, umidade, uso − esses são apenas alguns dos parâmetros que interagem de maneiras isoladas e, em conjunto, têm um impacto variável sobre a vida útil das máquinas.

Como afirmou um escritor, “a saúde de uma peça complexa de equipamento não pode ser julgada de maneira confiável com base na análise de cada medição por si só. Nós devemos considerar uma combinação das várias medições para obter uma verdadeira indicação da situação”.

A boa notícia é que os desenvolvimentos na tecnologia de sensores e na computação de borda tornaram possível rastrear uma variedade maior de métricas de desempenho do que nunca antes. A má notícia é que mesmo as máquinas melhor conectadas nem sempre são responsáveis pelas causas mais significativas da sua degradação.

De acordo com pesquisas recentes, 20-50% dos erros de fabricação são atribuídos a erro humano, e em algumas estimativas esses erros chegam a ser de até 70%.

Em termos de manutenção preditiva, isso significa que entender como as máquinas são usadas é igualmente ou mais importante do que entender como as máquinas funcionam. Para que a manutenção preditiva funcione da maneira mais eficaz possível, você precisará de um registro sobre como as máquinas são usadas diariamente, se estão configuradas corretamente, se as trocas são feitas corretamente e se a manutenção é ou não realizada corretamente.

Em outras palavras, para fazer o monitoramento das máquinas você precisa de uma abordagem centrada no ser humano.

Como começar a manutenção preditiva

Mesmo que você não consiga executar um programa de manutenção preditiva por completo, dar alguns passos na direção de um programa de monitoramento de máquinas centrado no ser humano pode começar a criar valor quase imediatamente. Pequenos passos podem resultar em grandes saltos para frente.

Veja algo concreto que você poderá fazer para começar.

1) Coloque sua fábrica online assim que for possível. Como eu expliquei aqui, dados locais robustos são a base da manutenção preditiva. Quanto mais cedo você começar a coletar dados das máquinas através da IoT, mais cedo poderá aproveitar esses dados para obter uma vantagem competitiva.

Ao contrário da crença popular, iniciar a IoT não precisa ser caro, nem envolve toda a sua operação. Existem maneiras fáceis de colocar máquinas legadas online, e a queda nos preços dos sensores torna possível começar a monitorar as condições do ambiente sem grandes gastos.

2) Considere a nuvem. As quantidades de dados necessárias para treinar e executar algoritmos preditivos podem sobrecarregar servidores e recursos de computação. A nuvem é uma opção cada vez mais acessível, segura e escalável para lidar com as demandas de armazenamento e computação da análise preditiva, sem a necessidade de investir ou de manter a infraestrutura local.

3) Saiba o que esperar dos algoritmos de ML (machine learning). É útil saber quais algoritmos de aprendizado de máquina podem prever, para priorizar quais departamentos, máquinas ou processos colocar online em primeiro lugar.

Algumas das áreas preditivas mais comuns incluem: cálculo da vida útil das máquinas antes da falha, identificar uma janela na qual é provável que ocorra uma falha, identificar os tipos mais comuns de falhas e detectar comportamentos anômalos das máquinas.

Saber o que a aprendizagem das máquinas pode descobrir é a chave para definir prioridades para a transformação digital.

Além disso já existem plataformas e softwares de ML prontos no mercado que te economizam o investimento de criar os algoritmos dentro de casa (o que pode levar meses e consumir um grande investimento interno). Vejam soluções providas pela Konitech: aqui e aqui.

4) Rastrear o uso das máquinas. O monitoramento das máquinas funciona melhor quando os dados sobre as máquinas são complementados com informações sobre o uso delas. A melhor maneira de fazer isso é conectar pessoas e máquinas por meio de aplicativos de manufatura. Eles fornecem uma imagem holística e ajudam a superar confusões comuns.

Quer saber mais? Inscreva-se no nosso próximo webinar “Inteligência Artificial, o próximo grande salto de produtividade para a Indústria”. Os nossos especialistas irão apresentar como facilmente extrair esses dados e rapidamente obter resultado através de tecnologias prontas e disponíveis para utilização imediata.

Fonte: Tulip

Deixe uma resposta

O seu endereço de e-mail não será publicado. Campos obrigatórios são marcados com *