Coletando e integrando dados sobre a manutenção preditiva industrial

A boa manutenção das máquinas é um ingrediente essencial necessário para a excelência operacional das indústrias. A definição do que é ‘bom’ e aceitável nesta hora nem sempre é tão simples, levando o gestor a ter que se definir por infinitas alternativas ou múltiplos trade-offs: a escolha de uma opção em detrimento de outra, por exemplo, entre o custo de prevenção e o custo de manutenção; entre a duração do tempo de inatividade planejado versus a duração do tempo de inatividade não planejado e diferentes níveis de custos de manutenção de peças de reposição.

O que fica claro, no entanto, é a necessidade de garantir que a empresa tenha um roteiro de melhoria de manutenção que, ao longo do tempo, permita que a operação se beneficie do potencial inerente às tecnologias atuais e em desenvolvimento da Indústria 4.0. A sua organização pode estar considerando a compra de novos sistemas – é preciso garantir que os sistemas selecionados hoje não apenas forneçam a funcionalidade necessária para o momento, mas se posicionem para se beneficiar totalmente das abordagens de manutenção emergentes e futuras.

Para abordar totalmente a importância dessas considerações, revisaremos aqui as abordagens e tendências em torno da manutenção de manufatura e os principais fatores que as indústrias devem considerar como parte de seu roteiro de manutenção cotidiana.

Manutenção reativa

Em muitas indústrias, a manutenção reativa ainda é usada como o principal método de prevenção de  equipamentos e possui baixos custos de operação, já que nada é feito até que haja uma falha e pode maximizar a utilização da máquina e a produção – até que ocorra uma falha.

No entanto, ao esperar que um problema ocorra antes de resolvê-lo, problemas menores geralmente passam despercebidos até que causem falhas na máquina – resultando em paradas não planejadas – para a máquina e a linha de produção – e na necessidade de fazer um reparo mais caro do que antes. Além disso, para minimizar o tempo de inatividade, as peças sobressalentes precisam estar acessíveis e prontamente disponíveis, aumentando os custos de estoque.

Manutenção preventiva

A manutenção preventiva, realizada em intervalos regulares para manter os ativos funcionando e evitar reparos caros e paradas, visa diminuir o mau funcionamento do equipamento, eliminar paradas não previstas e cortar os custos gerais com a manutenção. A desvantagem aqui é a necessidade de programar paradas das máquinas, mesmo quando não há nenhum problema aparente nas máquinas. O estoque ainda precisa ser mantido, mas normalmente em níveis mais baixos e com a aquisição de peças de reposição feitas com base no cronograma previsto.

Problemas com manutenção planejada

A eficácia da manutenção planejada, como abordagem genérica para todos os equipamentos, é altamente questionável. O ARC Advisory Group (https://www.arcweb.com/blog/improve-asset-uptime-industrial-iot-analytics) relata que os dados sobre padrões de falha em quatro estudos diferentes mostram que (em média) apenas 18% dos ativos possuem um padrão de falha relacionado ao tempo de uso, enquanto que 82% exibem um padrão aleatório. Para máquinas com falhas aleatórias, a manutenção de rotina não necessariamente evitará uma falha, significando que, com muita frequência, peças boas são substituídas desnecessariamente e o tempo de serviço é desperdiçado sem atingir o objetivo de aliviar falhas e tempo de inatividade.

Manutenção Baseada em Condições (CdM)

A manutenção baseada em condições (CdM) alivia o problema de manutenção desnecessária das máquinas e evita paradas não planejadas. Isso é obtido a partir do monitoramento da condição da máquina manualmente ou por sensores eletrônicos IIoT (Internet das Coisas Industrial) em máquinas que monitoram as principais características, como temperatura, pressão, vibração, tensão ou corrente elétrica e outras. Quando sensores são usados, a necessidade de manutenção é determinada por uma leitura do sensor que atinge um nível predefinido, indicando que algo está errado.

A manutenção CdM usa regras estáticas e exige que os implementadores estejam intimamente familiarizados com suas máquinas para definir os limites. Essa abordagem também é suscetível à entrada de “ruídos”, levando a falsos alarmes.

Manutenção Preditiva (PdM)

Como o CdM, a manutenção preditiva (PdM) também utiliza sensores para monitorar as máquinas, mas não depende de limites fixos e predefinidos para identificar um problema atual. Em vez disso, o software de manutenção preditiva capta as leituras do sensor e usa aprendizado de máquina avançado (ML) para determinar os padrões nas características dos parâmetros medidos e os correlaciona com falhas históricas da máquina facilitando prever quando será provável que ocorram falhas futuras. Para obter previsões precisas, o mecanismo necessita de uma boa quantidade de dados históricos – e melhor qualidade de dados – proporcionando melhores previsões.

Manutenção Prescritiva (RxM)

A manutenção prescritiva (RxM) leva a manutenção preditiva um passo (ou dois!) além, e utiliza níveis ainda maiores de inteligência artificial (IA) para fornecer informações sobre a melhor ação corretiva e as alternativas disponíveis para gerenciar a situação. Tipos avançados de manutenção prescritiva informam sobre como várias condições operacionais e etapas de manutenção podem ser afetadas e quando a falha provavelmente ocorrerá.

Por exemplo, operar uma máquina na metade de sua velocidade pode atrasar a falha até um tempo de inatividade convenientemente programado. Também pode indicar que uma pequena manutenção pode ser suficiente para mantê-la funcionando – até que a próxima manutenção programada seja realizada. A manutenção prescritiva também pode indicar qual seria o custo geral do tempo de inatividade da produção para um determinado reparo completo imediato, em comparação com a operação da máquina em uma capacidade menor para ajudar os gerentes a tomar a melhor decisão operacional.

Indústria 4.0 e PdM/RxM

Para manutenção preditiva e prescritiva, grandes quantidades de dados históricos são necessárias para explorar os padrões inerentes aos dados, e análises poderosas são necessárias para estudos  preditivos e prescritivos.

A mudança para serviços baseados em nuvem fornece acesso a um poderoso processamento baseado em rede compartilhada, tornando essa análise acessível, mesmo para indústrias de pequeno ou médio porte.

As empresas de consultoria PwC e Mainnovation (https://www.pwc.be/en/documents/20180926-pdm40-beyond-the-hype-report.pdf) criaram o termo PdM 4.0, que representa a abordagem mais atual para a manutenção preditiva. A abordagem PdM 4.0 estende a aplicação de PdM para incluir o uso de análise de Big Data para incluir condições ambientais, histórico de manutenção de ativos, tarefas de manutenção padrão e estatísticas de equipamentos comparáveis – dentro e fora da organização.

Requisitos para Métodos Avançados de Manutenção

Vários fatores, tais como orçamento e tecnologia disponível, são pré-requisitos para a implementação de um método de manutenção moderno, como o PdM. No entanto, o requisito principal é a disponibilidade de dados. Frequentemente, obter qualquer dado de máquina não é fácil – e o desafio de coletar e gerenciar adequadamente dados suficientes, precisos e contextualizados costuma ser ainda mais difícil.

Maturidade PdM 4.0 e

No momento de sua publicação em novembro de 2019, uma publicação do IEEE PdM 4.0 (https://ieeexplore.ieee.org/document/8918229) afirmou que o PdM 4.0 ainda estava em sua infância e, embora as coisas possam ter avançado desde então, ainda há um caminho a percorrer para alcançar todas as melhorias potenciais que a tecnologia é capaz de fornecer na manutenção das máquinas.

Planejando o Futuro

Devido aos vastos benefícios que os métodos modernos de manutenção oferecem – e as melhorias ainda além do horizonte –  as indústrias devem, no mínimo, garantir que estejam posicionadas para colher os frutos das abordagens de manutenção em evolução. Isso requer a implementação de sistemas capazes de acessar os dados de suas máquinas ou monitorar suas máquinas e instalações, além de contar com ferramentas com alta capacidade de integrar sistemas de dados coletados de diversas máquinas. Isso porque os dados das máquinas necessitam ser contextualizados e armazenados junto com outras informações relevantes que permitirão uma análise precisa para garantir previsões preventivas.

As soluções baseadas em nuvem tornam o poder de processamento disponível e acessível e devem ser capazes de aproveitar dados despersonalizados de diferentes fabricantes de máquinas para fornecer melhores percepções de cada fabricante individualmente, em virtude das informações adicionais disponíveis por tipo de máquina.

As indústrias de pequeno e médio porte devem perceber que eles também podem se beneficiar das modernas tecnologias de manutenção e devem planejar aproveitar os benefícios dessas habilidades.

Para que isso aconteça, os sistemas de gestão do chão de fábrica devem ser capazes de oferecer inteligência organizacional para facilitar a excelência operacional, além de garantir um data-lake (repositório utilizado para armazenar todos os dados estruturados e não estruturados) baseado em nuvem para coletar e contextualizar as informações do chão de fábrica e de toda a organização. Quando isso não for possível, a integração entre os sistemas de chão de fábricas e o ERP central será fundamental para garantir a melhor qualidade da coleta de dados sobre a manutenção preditiva industrial.

 

Rodney Repullo – CEO da Magic Software Brasil

 

Deixe um comentário

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