Prevendo o sucesso com seus programas de manutenção preditiva

Uma análise crítica de ativos gera insights sobre quais ativos são candidatos para monitoramento de condição.

Desde a Revolução Industrial, os gerentes de manutenção lutam com falhas de equipamentos que levam a tempos de inatividade dispendiosos. Talvez você seja um deles. E embora os problemas de gerações passadas ainda sejam comuns hoje, as técnicas da Indústria 4.0 estão fornecendo novas esperanças para soluções econômicas e escaláveis ​​para permitir que os gerentes de manutenção prevejam problemas e os mitiguem antes que eles levem a um tempo de inatividade não planejado. Talvez você seja um desses gerentes de manutenção.

Os fluxos crescentes de dados de monitoramento de condições de sensores sem fio, ferramentas portáteis, sistemas de controle de supervisão e aquisição de dados (SCADA) e muito mais, combinados com softwares e análises modernos, estão preparando o terreno para uma mudança no terreno. Ainda hoje, a manutenção preditiva permite que os líderes de manutenção monitorem os dados de condição de ativos em tempo real para evitar falhas antes que elas ocorram.

No entanto, as tecnologias de inteligência artificial e aprendizado de máquina no horizonte prometem oferecer uma era ainda maior de confiabilidade conectada. No passado, a coleta e a análise de dados eram dois processos distintos. Embora a coleta de dados tenha sido escalável, o custo e a disponibilidade limitada de especialistas para realizar análises tornaram a cobertura efetiva viável apenas para um subconjunto de ativos críticos. No futuro, sensores e software não só trabalharão juntos para prever falhas de máquina antes que elas aconteçam, mas também ajudarão as equipes a diagnosticar os problemas e recomendar soluções. Essa prática está sendo chamada de manutenção prescritiva ou análise prescritiva.

Aprendizado de máquina versus inteligência de negócios

Hoje, vários líderes de manutenção já estão aplicando técnicas de inteligência de negócios (BI) para permitir a análise e melhorar a tomada de decisões. O BI inclui ferramentas de visualização que facilitam o acesso aos dados existentes e é uma abordagem atraente para muitas organizações de manutenção porque suas empresas já estão usando uma ferramenta de BI e os sistemas podem ser relativamente fáceis de usar.

Embora as ferramentas e técnicas de inteligência de negócios sejam úteis para coletar, visualizar e analisar dados, ainda é necessário um especialista humano para realizar a análise, limitando a amplitude e a profundidade da cobertura. A incorporação de técnicas de aprendizado de máquina (ML) aborda as limitações de escalabilidade das abordagens baseadas em BI, confiando em algoritmos para realizar a análise, em vez de especialistas humanos. Esses algoritmos podem ser desenvolvidos por meio de uma variedade de abordagens, incluindo técnicas de aprendizado não supervisionado que expandem drasticamente os cenários que podem ser analisados ​​e a exatidão e precisão das previsões.

Utilizar o aprendizado de máquina no mundo da manutenção de hoje significa identificar os conjuntos de dados corretos que podem ajudar a prever a falha do equipamento em primeiro lugar. Só então é possível criar um processo de aprendizado de máquina repetível que possa capturar, analisar, diagnosticar e resolver problemas de negócios.

Lidando com big data

Existem inúmeras fontes de dados disponíveis que fornecem informações relevantes para analisar a integridade dos ativos e permitir a manutenção preditiva. Os exemplos incluem dados baseados em rota coletados por técnicos usando ferramentas portáteis, sensores integrados e de terceiros, dados de processo e muito mais. Mais equipes estão lidando com mais dados de mais fontes do que nunca. Muitas vezes, os dados existentes de uma equipe não são adequados para esforços de aprendizado de máquina – e as equipes não devem simplesmente tentar ajustar seus dados.

Felizmente, existem várias empresas que estão fabricando sensores sofisticados de monitoramento de condições que podem ajudar as organizações a iniciarem essa jornada. Com os sofisticados sensores de monitoramento de condições atuais, as equipes podem ter medições 24 horas por dia, fornecendo uma imagem clara da integridade e do desempenho dos ativos, sem gastar trabalho extra. Sensores de vibração e outros dispositivos de monitoramento de condições simplificam para as equipes solucionar problemas de ativos rapidamente. As medições de sensores de monitoramento de condições sem fio podem ser enviadas automaticamente para a nuvem, o que reduz os erros e a necessidade de mão de obra prática.

Como o aprendizado de máquina altera a confiabilidade dos ativos

Os sensores de vibração são um ponto de partida comum para novos programas de monitoramento de condições, mas outras possibilidades incluem ultrassom, análise de óleo, termografia e testes de motores. Saber como um ativo falha – seu principal modo de falha – informa quais indicadores devem ser observados e, portanto, qual abordagem de medição é mais apropriada para o ativo.

Com o aprendizado de máquina, os ativos têm seus dados coletados, analisados ​​e diagnosticados antes que uma pessoa precise se envolver. Um engenheiro verifica o diagnóstico antes que a ordem de serviço seja atribuída pelo sistema. Depois de concluir o reparo, um técnico pode inserir suas descobertas. O algoritmo pode aprender com as entradas e a validação que recebe.

Mas como as equipes chegam lá a partir de onde estão hoje?

Introdução ao aprendizado de máquina

Em vez de lançar um programa de aprendizado de máquina em toda a organização, começar pequeno e aumentar a escala provavelmente levará ao sucesso. Duas organizações não seguirão caminhos idênticos, mas essas etapas gerais beneficiarão qualquer pessoa, independentemente do ponto de partida:

1. Conclua uma análise de criticidade de ativos—Priorizar a integridade e a manutenção de ativos em uma hierarquia de importância dá foco e direção à sua equipe. Classifique cada ativo por seu uso em sua organização específica, incluindo o impacto nos negócios quando ele falha. Uma análise de criticidade de ativos gera insights sobre quais ativos são os principais candidatos para monitoramento de condições.

2. Planeje um programa piloto—Comece com um pequeno conjunto de ativos identificados acima. Identifique os modos de falha mais comuns e a tecnologia de monitoramento de condição apropriada para detectá-los. Você precisará de um processo sustentável e repetível para coleta de dados. Identifique os sensores e a estratégia de monitoramento de condições (com base em rota ou contínua) que atendem às suas necessidades, escala e orçamento. Determine sua abordagem de criação de modelo. As opções incluem integrar recursos de ciência de dados, contratar o desenvolvimento de terceiros ou adotar soluções prontas para uso.

3. Estabeleça uma estrutura e critérios de avaliação — Crie uma estrutura para análise de engenharia que permitirá testar diagnósticos de ativos quanto à precisão e criar confiança na solução. Avalie quais etapas podem ser necessárias para incorporar essa validação nos processos e fluxo de trabalho padrão de sua organização.

Defina os critérios para um piloto bem-sucedido. Isso pode incluir a duração do piloto, número de ativos cobertos, número de falhas identificadas corretamente, limites para falhas diagnosticadas incorretamente, limites para falhas perdidas, etc.

4. Iniciar uma fase piloto—O cronograma para um piloto bem-sucedido varia muito. Depende do tempo de espera para implantar tecnologias de monitoramento de condições, frequência de coleta de dados, volume de ativos instrumentados, frequência de modos de falha alvo e muitos outros fatores. Um cronograma de projeto claro com marcos acordados é fundamental para manter o suporte na organização para executar o piloto até sua conclusão. Garanta uma comunicação aberta durante todo o piloto para que sua equipe entenda os objetivos finais e progrida em direção a eles.

5. Revise os resultados com as partes interessadas—Uma vez que você tenha os dados de seu programa piloto em mãos e sua equipe tenha alguma experiência, você pode defender a expansão do programa para a liderança. Com sua equipe, analise os sucessos e oportunidades de melhoria e determine se há maneiras de refinar suas configurações.

6. Implemente um programa maior—Retorne à sua análise de criticidade de ativos para determinar como ampliar seu programa de monitoramento de condições. Você pode expandir seu programa em uma instalação ou entre várias instalações, dependendo das necessidades e prioridades de sua organização.

O futuro da gestão de ativos

É fundamental que as organizações entendam o cenário em mudança de manutenção e confiabilidade. Perceber os benefícios de ferramentas e tecnologias emergentes, incluindo aprendizado de máquina, é como as organizações bem-sucedidas sobreviverão e prosperarão em uma era de mudanças rápidas. Estabelecer as bases agora garantirá que você tenha as ferramentas necessárias para integrar novas tecnologias.

O objetivo final da manutenção – manter as coisas funcionando – não mudou. Mas essas tecnologias permitirão que as equipes de manutenção trabalhem de maneira mais inteligente, não mais difícil.

Fonte: Smart industry

Notícias do setor industrial você encontra aqui no portal da indústria brasileira, Indústria S.A.