IA para manutencao preditiva IA para manutencao preditiva

Inteligência artificial evita perdas na manutenção de ativos

12 minutos para ler

O processo de manutenção de equipamentos é fundamental para a saúde dos ativos de produção, aumentando a segurança e prolongando a vida útil dos equipamentos. Costuma agrupar técnicas a fim de minimizar os impactos dos custos.  A Inteligência Artificial é uma delas.

É uma das ações mais importantes dentro dos negócios, já que o gerenciamento dos ativos garante o funcionamento dos equipamentos. Assegura também a continuidade das operações, o que favorece também a competitividade. 

O processo utiliza estratégias capazes de equilibrar as necessidades da empresa e um planejamento para lidar com situações de risco. Como, por exemplo, problemas com as máquinas que podem acabar gerando interrupções, aumento dos custos, atraso na entregas e rombos financeiros. 

Por outro lado, manutenções desnecessárias, gargalos e processos onerosos aumentam custos e diminuem a produtividade. Descubra, neste texto, como inteligência artificial (IA) e machine learning podem melhorar a eficiência operacional, reduzindo custos com manutenções desnecessárias.

Inteligência artificial na indústria

A inteligência artificial permite que as máquinas aprendam com a experiência humana, ajustando-se e realizando tarefas. A maioria dos recursos de IA, sejam eles computadorizados ou até mesmo veículos independentes, dependem do aprendizado e do processamento de linguagem. 

Os elementos de inteligência artificial precisam ser incorporados e sincronizados nos dados em todo o parque digital da indústria. Com isso, a empresa pode prever resultados e automatizar ações para garantir a otimização dos resultados.

O sistema de inteligência artificial/Machine Learning (Aprendizado de Máquina) é o cérebro de uma plataforma de manutenção prescritiva. Os modelos machine learning para equipamentos industriais são projetados para descobrir anomalias durante a produção. 

Na gestão da manutenção é possível utilizar a inteligência artificial em um sistema que ajudará a empresa. Nele são inseridas informações sobre o histórico de cada equipamento e, com esses dados, é possível fornecer aos usuários uma previsão de quando o equipamento poderá quebrar novamente.  

Machine learning é um dos pilares da inteligência artificial, que estuda meios para que as máquinas realizem tarefas que seriam executadas por pessoas. Por meio de uma programação formada por regras previamente definidas, os computadores podem tomar decisões com base nos dados prévios e em dados usados pelo usuário.

A base do funcionamento do machine learning são os algoritmos, isto é, sequências definidas e compostas por informações e instruções que vão ser seguidas pelo computador. É o algoritmo que carrega as informações sobre como devem ser feitos determinados procedimentos e operações ou sobre como uma ação deve ser executada.

Há vários tipos de aplicações e de linguagens de programação para o uso dos algoritmos. Elas variam de acordo com a necessidade a ser atendida ou com o objetivo do algoritmo criado.

Como a manutenção era feita antes

A manutenção de equipamentos se expandiu com a crescente mecanização das indústrias e ganhou corpo a partir da década de 70, pois surgiu a necessidade de maximizar a vida útil das máquinas. Além disso, veio a preocupação com a disponibilidade e confiabilidade do maquinário, além da segurança e qualidade dos produtos.

Antigamente, tudo era feito e controlado manualmente, inclusive os processos de criação do plano de manutenção, controle de ordens de serviço e cálculo de indicadores. 

Com a informatização trazida pelo Planejamento e Controle da Manutenção (PCM), os software foram introduzidos nessa tarefa, automatizando algumas ações, diminuindo a ocorrência de falhas humanas na gestão e controle da manutenção.

O PCM trouxe outras mudanças como a total previsão de falhas nos equipamentos, elevação da produtividade da manutenção, redução de custos e desenvolvimento técnico da equipe.

Os dados passaram a ser coletados, lançados e analisados manualmente em sistemas como Enterprise Resource Planning (ERP), Computerized Maintenance Management System (CMMS) ou Enterprise Asset Management (EAM). Ou seja, em muitas indústrias o processo ainda ocorre por meio da ação humana, que também é responsável por gerar os indicadores de desempenho, que auxiliam os gestores sobre assuntos táticos ou estratégicos.

Como a IA vem ajudando os processos de manutenção

A partir da revolução digital, cuja matéria-prima é a informação, a inteligência artificial vem catalisando a 4ª Revolução Industrial ao ser aplicada na manutenção de equipamentos industriais. A inteligência artificial permite que as empresas prevejam o futuro usando o passado. 

Com o avanço das tecnologias de interpretação de dados, as empresas podem fazer previsões cada vez mais precisas. Isso pode ser aplicado para a manutenção preventiva de uma máquina. 

A IA é capaz de analisar dados coletados por um software de manutenção e transforma-os em informações úteis para prever, por meio de Machine Learning, falhas que podem parar processos, além de gerar prejuízos e reduzir o lucro das empresas. Ou seja, a 4ª Revolução Industrial depende, em grande parte, dos avanços gerados pela revolução digital.

A AI Applications in Enterprise, da Tractica, é uma abrangente pesquisa realizada em 2018 sobre a trajetória e as previsões de consolidação da inteligência artificial em diversos segmentos. As tecnologias de IA citadas como tendências são o processamento de linguagem natural, o reconhecimento de fala e imagem, predição por meio de APIs, realidade aumentada e Computação Cognitiva.

Outra pesquisa publicada em 2018, pela Markets and Markets, destaca que o mercado de IA deve chegar a US$ 190 bilhões até 2025.

Dentre as tendências para se consolidar até 2020 estão a utilização da IA por mercados automotivos e do gás e petróleo, expoentes do ramo industrial. Um dos impactos nos processos industriais é a predição, por meio da análise de grandes volumes de dados que desafiam a capacidade humana. 

A partir da identificação de padrões, torna-se possível prever, por exemplo, se um equipamento da linha de produção está prestes a falhar ou se uma peça apresentará algum problema.

Com essas funcionalidades, a tomada de decisão humana passa a ser muito mais ágil e, com o tempo e o aprendizado de máquina, o próprio sistema pode recalibrar a operação dos equipamentos para corrigir erros percebidos.

A gestão da produção também é otimizada, a partir dos cenários simulados pelas inteligências computacionais, permitindo racionalizar a distribuição das tarefas entre os funcionários.

Além disso, torna-se possível automatizar rotinas para gestão de estoques de matéria-prima, para que sejam acionados processos de reposição e a sequência produtiva não venha a ser interrompida por ausência de insumos básicos.

Por que implementar um modelo de manutenção preditiva?

A manutenção preditiva envolve técnicas para monitorar e avaliar o estado real dos equipamentos. Ela programa ações e impede prejuízos ao desempenho das máquinas. Por meio dela, é possível acompanhar o nível de desgaste das peças, realizar análises de fluidos e também reduzir custos com manutenções não planejadas. 

O conceito de manutenção preditiva está baseado na Internet das Coisas (Internet of Things – IoT), na coleta de dados confiáveis e na sua correta gestão. Cada vez mais equipamentos estão conectados – previsões indicam que em 2022 cerca de 4 bilhões de conexões IoT estarão ativas globalmente – e seus sensores enviam automaticamente dados e mais dados.

O uso da inteligência artificial na gestão de ativos vai permitir a correta análise dessa grande quantidade de dados recolhidos automaticamente pelas máquinas, tomando o lugar do tradicional modelo de monitoramento manual da vida útil padrão dos componentes dos equipamentos. 

A partir dos dados enviados pelos sensores embarcados de fábrica nos equipamentos, as ferramentas de inteligência artificial na gestão de ativos emitem alertas preditivos avaliando a sua condição atual. Além disso, sugerem ações corretivas para reparar ativos.

E quando a manutenção for inevitável, as ferramentas de AI enviam alertas aos técnicos. São informações sobre que componentes precisam ser inspecionados, quais ferramentas e métodos usar, o que resulta em reparos muito mais focados e programados com antecedência. É a manutenção preventiva prevista e preparada antes de surgir alguma falha nos equipamentos. Assim, reduz a probabilidade de prejuízos e/ou degradação dos produtos.

A correta análise desses dados evitará perdas na ordem de US$ 50 bilhões por ano – valor que as empresas perdem globalmente por conta de tempo parado não planejado. E as falhas nos ativos são a causa de 42% desse tempo de inatividade não planejado.

Por isso é tão importante investir em manutenção preditiva – afinal, todos ganham com a capacidade de prever antecipadamente a próxima possível falha de uma peça, máquina ou sistema.

As vantagens da manutenção preditiva são inúmeras:

  • Aumento da vida útil do ativo;
  • Maior produtividade;
  • Mais confiabilidade e disponibilidade dos serviços;
  • Agilidade e otimização do processo de produção;
  • Redução dos custos com manutenções corretivas;
  • Eliminação do processo de desmontagem das máquinas para inspeções;
  • Aumento da segurança;
  • Redução da quantidade de danos;
  • Redução na perda de recursos com falhas na linha de produção.

Caso de Sucesso: CAERN

Um exemplo que mostra os benefícios que a inteligência artificial pode trazer à organização, por meio da manutenção preditiva, é o da Companhia de Águas e Esgotos do Rio Grande do Norte (CAERN).

Responsável pelos serviços de saneamento básico, captação, tratamento e distribuição de água no Estado, a companhia enfrentava problemas na hora de renovar seu parque de hidrômetros.

Como o volume de medidores que precisavam ser trocados é alto e o potencial de troca gira entre 10% e 15% por ano, devido a questões orçamentárias, o desafio era definir quais deles deveriam ser substituídos.

Entre os critérios usados para tomar esta decisão destacam-se a idade de instalação e marca do medidor, sem considerar dados de performance de cada equipamento. Por ser um item mecânico, o desgaste de um hidrômetro não depende apenas do tempo, mas da sua utilização.

Nesse cenário, a ONCASE entrou em ação para trazer mais eficiência aos processos e criou novas regras para melhorar a visão do parque de hidrômetros. Com o uso de Inteligência Artificial e Big Data, a ONCASE desenvolveu uma versão customizada do Scora, sua plataforma de Big Data e Inteligência Artificial, aplicada às necessidades da CAERN, que recebeu o nome de Scora Acqua.

O Scora Acqua foi desenhado para prevenir e evitar falhas de hidrômetros, atuando na manutenção preditiva dos equipamentos. Isso sem falar da otimização do agendamento de manutenção dos aparelhos e a melhor maneira de corrigir um problema para reduzir custos e tempo de serviço.

Resultados

Com o programa de troca de hidrômetros e o suporte da ONCASE, a CAERN registrou um aumento de R$ 1,221 milhão no seu faturamento com 10 mil trocas realizadas apenas no primeiro mês. Agora, as substituições serão mais acuradas e impactarão positivamente a operação, priorizando os hidrômetros que precisam ser trocados com mais urgência.

Ao contrário de como era feito no passado, dessa vez a CAERN tomou essas decisões baseada em dados reais da performance de cada equipamento.

De acordo com Bruno Silva, COO da ONCASE,  graças à Inteligência Artificial e manutenção preditiva, outros fatores foram incorporados a essa tomada de decisão.Tais como vazão, capacidade de entrega, características de uso e curvas de degradação e performance de cada equipamento. Isso permite definir com maior assertividade os hidrômetros a serem trocados e otimizar o orçamento.

Todo o processo para implantação da solução foi baseado em um modelo de cocriação. De um lado, a expertise técnica da ONCASE em relação ao uso de Inteligência Artificial e Big Data para coleta de informações. De outro, o conhecimento de negócio dos especialistas da CAERN, que conheciam os seus desafios e gargalos de operação.

Após análise do histórico de consumo de cada hidrômetro e do entendimento das necessidades do cliente, foram coletadas e reconstruídas as regras comerciais de tarifação. Estas regras foram implementadas na ferramenta, que roda internamente no datacenter da CAERN, mas pode também funcionar na nuvem, dependendo do desejo de cada cliente.

Um dos objetivos centrais do Scora Acqua, de acordo com Silva, era desenvolver uma solução extremamente simples, com foco na usabilidade por parte do cliente, para facilitar o seu dia a dia. Basta a CAERN definir que informação deseja visualizar e acionar no sistema, enquanto a ONCASE fica responsável pela parte técnica e pelo suporte à operação para garantir a assertividade do produto.

Ficou interessado em utilizar modelos em seus processos de manutenção? Baixe nosso ebook e descubra como iniciar a utilização de IA para sua manutenção de equipamentos.

Posts relacionados

Deixe um comentário