Manutenção Preditiva Parte 3 – Desenvolvimento da Ferramenta

Manutenção Preditiva Parte 3 – Desenvolvimento da Ferramenta

O desenvolvimento da ferramenta para a manutenção preditiva é mais complexo e caro quando comparado às abordagens tradicionais. Por outro lado, o investimento na ferramenta é recompensado com um retorno médio dez vezes maior.
Este artigo é a terceira parte da série sobre manutenção preditiva. Na primeira, discutimos sobre as três principais abordagens para a manutenção. Já na segunda, focamos no conceito, vantagens e exemplos de aplicação da manutenção preditiva.
Soluções de manutenção preditiva devem ser customizadas para cada aplicação, já que cada problema apresenta particularidades individuais em termos de equipamento, uso, requisitos, restrições, sensores disponíveis, entre outros. Ao mesmo tempo, a sequência de passos para o desenvolvimento da ferramenta é a mesma: aquisição de dados, processamento dos dados e desenvolvimento do modelo para a decisão de manutenção. A discussão sobre esses passos é o tema deste terceiro artigo.

Aquisição de dados

Aquisição de dados é o processo de coleta e armazenamento dos dados. Os dados coletados são classificados em dados de eventos e de monitoramento. Dados de eventos incluem informações sobre acontecimentos (instalações, quebras, paradas, entre outros) e o que foi feito (reparo, troca de óleo, substituição do equipamento, entre outros ). Dados de monitoramento são medições ao longo do tempo (séries temporais) e podem incluir medições de vibração, acústica, temperatura, pressão, umidade, condições ambientais, entre outros.
Dois desafios são frequentes nessa etapa. O primeiro é referente a indisponibilidade de dados suficientes para o desenvolvimento da ferramenta de manutenção preditiva. Essa necessidade geralmente surge em abordagens de manutenção preditiva baseadas em inteligência artificial. Para contornar o problema, citamos três alternativas:

  • instalação de novos sensores – sensores de temperatura, acústicos ou de vibração de baixo custo podem ser facilmente instalados, por exemplo;
  • geração de dados artificiais – dados podem ser gerados a partir de simulações de modelos do processo;
  • geração de dados por data augmentation – a partir de alguns dados, outros vários são gerados. No caso de séries temporais, a adição de ruído e a redução da amostragem em diferentes níveis, por exemplo, geram várias séries temporais a partir da original.

Ainda, com o rápido desenvolvimento de sensores, que estão mais baratos, portáteis, fáceis de instalar, a indisponibilidade de dados se torna cada vez menos frequente.
O segundo desafio é referente a coleta de dados de eventos, que podem estar disponíveis na forma de relatórios digitalizados ou não. Esses são coletados, preferencialmente, de forma manual e consomem grande quantidade de tempo para a coleta.

Processamento dos dados

O primeiro passo para o processamento dos dados é a limpeza. Dados, principalmente aqueles de eventos coletados manualmente ou de sensores com falhas, podem conter erros. Esses erros, quando propagados, degradam o desempenho da ferramenta de manutenção. Os, aqui chamados, erros podem ser valores espúrios (outliers), pontos não coletados ou perdidos, pontos na região de saturação de um equipamento (máximo ou mínimo), forte presença de ruído e distúrbios, entre outros. A limpeza é geralmente processada manualmente e é auxiliada por ferramentas gráficas, estatísticas e filtros.
O segundo passo no processamento dos dados é a análise, que tem por objetivo melhor entender os dados e suas correlações. Os modelos, algoritmos e ferramentas para a análise dos dados dependem da quantidade, qualidade e características dos dados coletados.

Modelo

Por fim, com os dados coletados, limpos e analisados, passa-se à etapa de criação do modelo de decisão de manutenção. O modelo reconhece padrões nos dados, que indicam o nível de degradação do equipamento. Como exemplo, um modelo pode identificar a magnitude em uma determinada frequência da vibração medida em um motor. A magnitude pode estar diretamente ligada ao desgaste de um item (rolamento, por exemplo). Quando a magnitude ultrapassa certo valor, o modelo sugere o reparo ou substituição do item.
O reconhecimento de padrões pode ser feito de modo manual ou automático. O desenvolvimento manual requer alto conhecimento específico na área de aplicação e, mesmo assim, menos informações dos dados são incorporadas ao modelo. Dessa forma, o reconhecimento automático de padrões é altamente desejado.
O reconhecimento automático clássico é baseado em abordagens estatísticas, como testes de hipótese. Essas abordagens vêm sendo rapidamente substituídas por aquelas baseadas em inteligência artificial (IA), favorecidas pela grande quantidade de dados geradas por indústrias modernas. Sucintamente, abordagens baseadas em IA aprendem os padrões de degradação por si próprias apenas observando os dados. Isso permite maior automatização do desenvolvimento do modelo e garante mais características incorporadas. Entre as técnicas de inteligência artificial, têm-se redes neurais artificiais, support vector machine e árvores de decisão.

Conclusão

O desenvolvimento de ferramentas de manutenção preditiva deve ser customizado para cada aplicação, dadas as características individuais de cada processo. Ao mesmo tempo, as etapas para o desenvolvimento da ferramenta são as mesmas: aquisição de dados, processamento dos dados e desenvolvimento do modelo para a decisão de manutenção.
Como uma solução geral não é possível, uma sugestão que deixamos aos leitores é: desconfie de soluções prontas vendidas por aí. Algumas empresas de software aproveitam a grande procura pela manutenção preditiva e oferecem essas soluções. Ferramentas desse tipo são de baixíssimo desempenho, o que desaponta engenheiros e operadores e cria desconfiança quanto a eficiência da manutenção preditiva.
Para mais detalhes sobre o assunto, consulte os outros artigos da série:
Manutenção Preditiva Parte 1 – Tipos de Manutenção

Manutenção Preditiva Parte 2 – Conceito, Vantagens e Exemplos
Quer saber em primeira mão quando novos artigos são postados em nosso site? Siga nossa página no LinkedIn.

Share this post


pt_BRPortuguese
en_USEnglish pt_BRPortuguese