Manutenção Preditiva: Utopia ou apenas o futuro da Indústria 4.0?
Já falamos aqui sobre O que é a Indústria 4.0, e a Indústria 4.0 na prática. No post Indústria 4.0 na prática mostramos um exemplo realista de como a Indústria 4.0 faz uma enorme diferença nas perdas por quebra/manutenção de máquinas. No caso utópico citado no post, uma das tecnologias usadas é a Manutenção Preditiva. Mas será mesmo que ela é tão utópica assim?
Confira abaixo!
O que é Manutenção Preditiva?
Manutenção preditiva permite que o equipamento informe a necessidade de manutenção.
É horrível quando você está no seu carro e ele quebra, não? Mesmo com todas aquelas revisões caras, ele acaba deixando você na mão, e quase sempre em momentos em que você não pode se atrasar para o compromisso ao qual estava a caminho. Agora, imagine que o seu carro fosse “inteligente” o suficiente para perceber quando algum de seus componentes está próximo de quebrar. E se ele pudesse te avisar para visitar o mecânico, e ainda indicar a ele qual peça necessita de reparo?
Na fábrica, situações parecidas acontecem, máquinas quebram no final do mês, atrasando a produção quando a linha já está sobrecarregada, correndo atrás da meta. E pior, o tempo gasto na investigação e solução do problema faz com que outras máquinas que dependem da que quebrou também parem. E neste caso, se a máquina fosse “inteligente” o suficiente para perceber que está perto de quebrar, e pudesse avisar o responsável pela manutenção que ela precisa de serviço na peça X?
Estas “inteligências” citadas em ambos os exemplos são o que chamamos de Manutenção Preditiva.
Entendendo os tipos de manutenção
Existem três tipos de manutenção, são elas:
- Manutenção Corretiva: Quando o equipamento tem alguma pane, e precisa de reparos para voltar a funcionar. Normalmente toma muito tempo, pois o equipamento fica inutilizável enquanto os especialistas investigam a causa do problema. Além disto, por ser inesperada, pode causar muitos problemas na cadeia de produção.
- Manutenção Preventiva: É feita utilizando algum parâmetro externo a máquina para determinar quando deverá acontecer. Por exemplo, é feita a cada 480 horas de equipamento operando, ou a cada 10000 km rodados pelo automóvel. Não necessariamente garantem que o equipamento não irá falhar, mas reduzem muito essa possibilidade. Como o intervalo entre manutenções é pre-determinado, elas podem não refletir todo o contexto em que o equipamento está inserido. Por consequência, pode levar a gastos com manutenção desnecessária, desperdício de partes que ainda estavam boas para operar, etc.
- Manutenção Preditiva: O equipamento se monitora, sabendo a todo tempo o estado de seus componentes. Com isto ele também prevê quando há uma falha iminente, avisando que precisa de manutenção e dando informações que ajudam o técnico a saber qual parte do equipamento precisa de manutenção. Com o uso da Manutenção Preditiva é reduzido o risco de falha e também o desperdício de tempo e material com manutenção preventiva.
Como é possível aplicar Manutenção Preditiva?
Como explicado no post IoT and predictive maintenance, do Bosch ConnectedWorld Blog, a Manutenção Preditiva é viabilizada a partir de três passos:
- Captura de dados de sensores: Colocar diversos sensores no recurso a ser monitorado. Diversas grandezas no equipamento devem ser medidas com frequência, e disponibilizadas para processamento. Devido ao grande volume de dados adquiridos, esses dados poder ser considerados Big Data. Na maior parte do tempo, a medição seguirá um padrão, porém um desvio deste padrão pode indicar um evento.
- Facilitar comunicação de dados: Os dados coletados no recurso devem ser transferidos para uma central de processamento de dados. Para um bom tempo de resposta a mudanças no padrão de medição dos sensores, é ideal que a transferência dos dados para a central não demore.
- Fazer predições (IA): Os dados dos sensores são avaliados constantemente, e comparados com padrões históricos. Quando um padrão similar aquele que costuma acontecer antes de um evento (uma quebra, por exemplo), o sistema reporta o comportamento. Com isso, ações devem ser tomadas pelo sistema para reverter o evento, como por exemplo, avisar o responsável pela manutenção que o recurso X tende a apresentar o defeito Y na peça Z nas próximas horas.
Como entender tantos dados?
Nenhum dos três passos descritos é tarefa fácil, mas o mais desafiador é o terceiro: fazer predições.
Para tal, inicia-se pela seleção e pré-processamento dos dados a serem processados (Data Mining). No algoritmo de Data Mining, os especialistas no recurso e cientistas de dados podem representar explicitamente conhecimentos adquiridos pela experiência. O algoritmo irá expandir este conhecimento, encontrando relações entre as variáveis disponíveis.
Após o pré-processamento, vem a parte de análise de comportamento e padrões. Esta parte é feita com algoritmos de Inteligência Artificial, que são capazes de aprender como são os padrões que geram cada evento. Eles são utilizados para monitoramento e detecção destes eventos.
Detectado o evento, o programa verifica se é necessário uma ação, e dá início a ela. Esta ação pode ser desde um controle na máquina até o envio de mensagens ao pessoal responsável.
Como começar?
Implementar a Manutenção Preditiva em uma fábrica inteira certamente não é tarefa fácil (ou barata), mas vimos que os benefícios são muitos. Um projeto ambicioso deste tamanho requer pequenos passos para sua implementação com sucesso.Sugerimos que comece avaliando quais ferramentas usadas na Manutenção Preditiva sua fábrica já possui e liste os equipamentos com maior nível de conectividade e maior quantidade de sensores disponíveis.
Você já centraliza os dados coletados por estes equipamentos? Verifique também se o fabricante coleta, armazena e disponibiliza dados sobre seus equipamentos. Estes dados podem ser usados para comparação e treinamento de um algoritmo de Inteligência Artificial.
E sua fábrica, possui sistemas que podem ser utilizados/adaptados para implantação da Manutenção Preditiva? Conte-nos nos comentários.
Lembre-se que podemos ajudá-lo nestes projetos para sua fábrica, basta entrar em contato com a gente.
Estudante de Engenharia Mecânica na Universidade Federal de Santa Catarina, trabalha na HarboR desde 2017 com o desenvolvimento, implantação e suporte de sistema MES.