Como usar o aprendizado de máquina para realizar manutenção preditiva

Em todos os setores, as empresas tradicionalmente dependem de manutenção programada. Examinar o interior das máquinas em intervalos definidos as mantém funcionando. Mas será que esta é realmente a forma mais económica de reduzir o tempo de inatividade indesejado? Na verdade. Numerosos estudos afirmam que apenas 20% das falhas de equipamentos estão relacionadas com a idade, enquanto 80% ocorrem aleatoriamente.

Com empresas de todos os setores se aquecendo para todas as coisas alimentadas por inteligência artificial (IA), a manutenção preditiva baseada em aprendizado de máquina (ML) ganhou destaque.

Prever problemas nos equipamentos antes que eles ocorram e realizar a manutenção exatamente quando necessária promete economia de custos e maior produtividade. Na verdade, 90% dos fabricantes que adotaram a manutenção preditiva baseada em ML conseguiram reduzir o tempo de reparo e o tempo de inatividade não planejado, afirma uma pesquisa realizada pelo Grupo CXP.

Nesta postagem do blog, compartilhamos nossa experiência em consultoria de software de IA, investigamos o funcionamento interno dos sistemas de manutenção preditiva, compartilhamos histórias de sucesso que irão inspirar você e abordamos os desafios da adoção de soluções de manutenção preditiva baseadas em IA.

O que é manutenção preditiva?

A manutenção preditiva é uma abordagem proativa à manutenção de equipamentos que utiliza ML para prever possíveis falhas. Isso, por sua vez, ajuda a evitar tempos de inatividade dispendiosos. Pense nisso como se seu equipamento falasse, dizendo exatamente quando precisa de atenção, pouco antes de algo dar errado.

Um sistema de manutenção preditiva funciona como uma equipe de inspetores monitorando seu equipamento 24 horas por dia, 7 dias por semana, coletando e processando grandes volumes de dados em tempo real. Esses “inspetores” podem detectar as menores anomalias e padrões que escapam ao olho humano, alertando sobre possíveis falhas antes que se tornem grandes dores de cabeça.

Vamos dar uma olhada em um exemplo para ver como o conceito funciona na prática. Imagine uma fábrica que depende de uma frota de robôs industriais para manter as operações funcionando. Tradicionalmente, a manutenção destes robôs é programada em intervalos fixos ou, pior, quando realmente ocorre uma avaria, causando paragens e perdas financeiras.

Com a manutenção preditiva de ML, os equipamentos são constantemente monitorados com o auxílio de sensores estrategicamente embutidos nas máquinas. Os dados coletados podem abranger temperatura, vibração, consumo de energia e outras métricas.

Todos esses dados são então enviados para a unidade central de processamento – o ‘cérebro’ – do sistema, que é alimentado por algoritmos de ML. Com base em dados históricos de quebras, histórico de reparos, fatores ambientais e métricas de desempenho coletados em tempo real, a unidade procura padrões que possam sinalizar um mau funcionamento futuro.

Armada com esses insights valiosos, sua equipe de manutenção pode intervir, realizar quaisquer reparos necessários e evitar que uma falha iminente aconteça. Tudo isso com tempo de inatividade mínimo e sem interrupções dispendiosas.

E é exatamente daí que vem o potencial de economia de custos da manutenção preditiva de ML. Devido à sua natureza proativa, você pode concentrar seus esforços e orçamentos nos equipamentos que realmente precisam de atenção – em vez de desperdiçar recursos no fornecimento de equipamentos que estão perfeitamente em bom estado. Por outro lado, com o poder da previsão, você pode agir antes que um problema se agrave, garantindo que seu equipamento opere com desempenho máximo por períodos mais longos.

Casos de uso de manutenção preditiva de IA em todos os setores

A manutenção preditiva orientada por IA está transformando fundamentalmente a forma como as indústrias dependentes de equipamentos funcionam. Abaixo estão exemplos que mostram o impacto que a manutenção preditiva pode ter nas empresas.

Fabricação

Na fabricação discreta e de processo, a manutenção preditiva de IA pode ser inestimável para uma ampla gama de equipamentos, incluindo fresadoras, prensas hidráulicas, sistemas de transporte, braços robóticos e equipamentos. Considere fresadoras que transformam matérias-primas em componentes de precisão. Equipar essas máquinas com sensores de vibração e analisar as leituras dos sensores em relação aos dados históricos de falhas pode ajudar a detectar desalinhamentos e sinais de desgaste nos fusos das máquinas. E ao monitorar a temperatura, você pode detectar sinais de superaquecimento, sinalizando que um mau funcionamento pode estar ocorrendo.

O poder da manutenção preditiva baseada em ML não para por aí. As prensas hidráulicas podem ser monitoradas quanto a entupimentos e vazamentos. Além disso, através do monitoramento constante da temperatura, as soluções de manutenção preditiva podem detectar sinais de superaquecimento, um sinal de alerta para problemas iminentes em um sistema hidráulico. E com a capacidade de contar ciclos, a manutenção preditiva de ML pode prever com precisão quando componentes específicos podem exigir atenção, permitindo intervenções de manutenção oportunas e evitando possíveis quebras.

Quando se trata de correias transportadoras, o software de manutenção preditiva pode medir a tensão da correia para evitar desgaste prematuro. E ao monitorar a carga do motor, ele pode garantir a eficiência e descobrir quaisquer indícios de problemas que possam causar paralisações inesperadas.

Entre os fabricantes que utilizam manutenção preditiva está a Mercer Celgar, um dos maiores produtores de celulose e madeira sólida. A manutenção preditiva tornou-se uma parte fundamental da estratégia de produção da empresa. Depois de explorar várias opções, a Mercer Celgar implementou uma solução de manutenção preditiva pronta para uso. Este software alimentado por IA integrou-se perfeitamente ao seu novo sistema CMMS, substituindo o software automatizado de diagnóstico de integridade da máquina anterior. Através de três pilotos, a implantação rendeu insights e aprendizados valiosos.

Com a plataforma de manutenção preditiva baseada em IA implementada, a Mercer Celgar ganhou a capacidade de monitorar múltiplas linhas de produção e obter relatórios individuais para cada tipo de máquina em uma única plataforma. Isso permitiu que eles acompanhassem e comparassem o desempenho, ao mesmo tempo que forneciam insights antecipados sobre possíveis falhas para suas equipes de manutenção. A implementação transformou as operações da Mercer Celgar, criando funções específicas e agrupando dados de desempenho de máquinas de diversas fontes em uma única plataforma. Como resultado, a empresa tem uma única fonte de verdade para o desempenho de suas máquinas, facilitando o monitoramento eficiente e o processamento de dados em escala.

Automotivo

A indústria automotiva depende fortemente da manutenção preditiva baseada em ML para aumentar a confiabilidade e reduzir os custos de garantia. Ao monitorar os dados dos sensores dos veículos em campo, por exemplo, as montadoras podem detectar possíveis problemas antes que se tornem falhas críticas.

Vamos considerar uma frota de caminhões de entrega. Através da monitorização contínua do desempenho do motor, do estado dos pneus e da eficiência do combustível, a manutenção preditiva permite às empresas otimizar os calendários de manutenção, evitar avarias e prolongar a vida útil dos seus veículos.

Diversas empresas automotivas recorreram à manutenção preditiva para antecipar oportunidades de manutenção e fidelizar clientes, incentivando-os a procurar serviços de manutenção na rede oficial da montadora. Uma dessas empresas é a Opel, que equipou os seus veículos com uma ferramenta de manutenção preditiva que analisa dados históricos para sugerir horários de inspeção ideais.

Dado que o principal objectivo da implementação do sistema é melhorar a retenção de clientes, o sistema notifica os condutores quando a manutenção é devida e marca consultas com a rede oficial da Opel, desencorajando os clientes de recorrerem a reparadores terceiros.

Assistência médica

A manutenção preditiva de ML está revolucionando o setor de saúde, garantindo o bom funcionamento de equipamentos médicos críticos. Imagine uma máquina de ressonância magnética em um hospital. Ao analisar os dados do sensor, incluindo temperatura, pressão e intensidade do campo eletromagnético, os algoritmos de manutenção preditiva podem detectar anomalias, desvios e padrões indicativos de possíveis problemas. Os hospitais podem então programar proativamente atividades de manutenção durante períodos de baixa demanda, minimizando interrupções no atendimento ao paciente. Essa abordagem leva a uma maior eficiência operacional, redução do tempo de inatividade do equipamento e melhores resultados para os pacientes.

Uma organização de saúde que adotou essa abordagem é a Kashiwa Health Check Clinic. Eles fizeram parceria com a Hitachi para implementar um sistema de manutenção preditiva para evitar falhas em máquinas de ressonância magnética. O parceiro tecnológico analisou dados de sensores de três anos de 100 sistemas de ressonância magnética e criou um mecanismo para investigar os padrões de causa que levaram às falhas do dispositivo. O ML ajudou então a definir um estado operacional normal, previu anormalidades e detectou alterações que poderiam ter levado a falhas. Como resultado, a organização reduziu o tempo de inatividade dos equipamentos de ressonância magnética em 16,3%.

Óleo e gás

O setor de petróleo e gás, conhecido por seus equipamentos complexos e caros, beneficiou-se imensamente da manutenção preditiva baseada em ML. Imagine uma plataforma de perfuração offshore com inúmeras bombas, compressores e turbinas. Através do monitoramento contínuo de parâmetros como pressão, temperatura e vazão, algoritmos de manutenção preditiva podem detectar anomalias e prever falhas iminentes. Ao adotar uma abordagem proativa, as empresas podem evitar paradas não planejadas dispendiosas, otimizar o desempenho dos equipamentos e garantir a segurança do pessoal.

A Aramco, uma empresa líder no setor, aproveitou o poder da manutenção preditiva para evitar corrosão, incrustações e outros danos em equipamentos e tubulações causados ​​pelo excesso de água proveniente de poços, juntamente com petróleo e gás. Ao implementar um medidor de vazão alimentado por IA, a empresa obteve uma visão em tempo real do fluxo de água em seus poços. O medidor empregou um modelo gêmeo digital alimentado por IA para antecipar o fluxo do tubo e depois compará-lo com as medições reais. Este processo permitiu que o medidor se ajustasse automaticamente em diversas condições operacionais, minimizando enormemente os requisitos de recalibração.

Como construir uma solução de manutenção preditiva

Quando se trata de adotar soluções de manutenção preditiva baseadas em ML, as organizações enfrentam uma decisão: optar por um software pronto para uso ou investir em uma solução personalizada. Cada abordagem oferece vantagens e considerações distintas, e a escolha depende de vários critérios.

• Orçamento disponível: software pronto para uso (por exemplo, IBM Maximo, Microsoft Azure IoT Suite, GE Predix, PTC ThingWorx, Siemens MindSphere) geralmente vem com custos iniciais mais baixos, enquanto a construção de uma solução personalizada pode envolver um investimento inicial mais alto. As empresas com orçamentos limitados podem achar o software pronto para uso mais atraente, enquanto aquelas com recursos substanciais podem optar por soluções personalizadas para funcionalidades personalizadas.
• Tempo de implementação: O software pronto para uso pode ser implantado rapidamente, pois é pré-construído e testado. Por outro lado, o desenvolvimento de uma solução personalizada pode demorar mais, dependendo da complexidade e do escopo de um projeto.
• Requisitos específicos do setor: Diferentes setores geralmente têm necessidades e fluxos de trabalho exclusivos, o que pode exigir que soluções de manutenção preditiva tenham recursos específicos. O software pronto para uso não se alinha totalmente com esses requisitos e precisa de personalização. Por isso, empresas com necessidades altamente especializadas ou que buscam vantagem competitiva por meio de soluções customizadas podem preferir seguir o caminho customizado.
• Infraestrutura e integrações existentes: a integração de software de manutenção preditiva com sistemas e equipamentos existentes é fundamental para operações perfeitas. As soluções prontas para uso podem oferecer melhor compatibilidade com um número limitado de equipamentos ou tecnologias populares, enquanto as soluções personalizadas podem ser adaptadas com precisão para se adequarem à infraestrutura estabelecida de uma organização.
• Escalabilidade: À medida que as empresas crescem e se expandem, as suas necessidades de manutenção preditiva podem evoluir. O software pronto para uso pode fornecer opções escalonáveis ​​que podem ser adaptadas às mudanças nos requisitos. Quando projetadas adequadamente, as soluções personalizadas também podem oferecer escalabilidade e flexibilidade, mas isso pode exigir um esforço adicional de desenvolvimento.
• Suporte e atualizações: o software pronto para uso geralmente vem com suporte fornecido pelo fornecedor e atualizações regulares, garantindo que a solução permaneça atualizada. Soluções personalizadas podem exigir esforços contínuos de manutenção e suporte para garantir a funcionalidade contínua.

Construindo uma solução de manutenção preditiva baseada em IA do zero

Construir uma solução personalizada de manutenção preditiva baseada em ML do zero oferece flexibilidade máxima e permite adaptar o sistema com precisão às suas necessidades exclusivas. Ainda assim, o software personalizado raramente é totalmente personalizado. Existem várias bibliotecas e estruturas de código aberto (por exemplo, Scikit-learn, TensorFlow, PyTorch, Keras, XGBoost) e SDKs e APIs (por exemplo, AWS SDKs, Azure SDKs, Google Cloud SDK, IBM Watson SDK, ThingWorx SDK), como bem como serviços de ML totalmente gerenciados, incluindo modelos pré-treinados (por exemplo, Amazon SageMaker, Azure Stream Analytics) que aceleram e simplificam o processo de desenvolvimento de soluções personalizadas de manutenção preditiva.

A seguir, compartilhamos nossa experiência operando como empresa de consultoria de ML e explicamos como o processo de desenvolvimento de software de manutenção preditiva baseado em IA pode se desenrolar.

A manutenção preditiva é uma tarefa que pode ser dividida em duas subtarefas: monitoramento de condições e análise preditiva. Criar uma solução de manutenção preditiva resume-se essencialmente a treinar um modelo de detecção e um modelo de previsão e integrá-los em uma solução completa. Para treinar esses modelos, siga as etapas a seguir.

Coleção de dados

Ao elaborar um algoritmo de manutenção preditiva, o primeiro passo é reunir dados suficientes para treinar os modelos. Os tipos de dados a serem coletados são os seguintes.

• Dados de sensores que fornecem informações em tempo real sobre a integridade e o desempenho das máquinas. Inclui informações de séries temporais coletadas de todos os tipos de sensores (por exemplo, temperatura, pressão, vibração, tensão, ruído) conectados às máquinas.
• Dados de falhas que abrangem informações sobre falhas anteriores de equipamentos, incluindo data, hora e natureza de uma falha.
• Registros de manutenção, relatórios de serviço, ordens de serviço e outras documentações relacionadas ao histórico de manutenção de equipamentos.
• Dados operacionais que capturam informações sobre o status operacional de uma máquina, incluindo horários de início e parada, taxas de produção, rendimento e padrões de uso.
• Dados ambientais que abrangem fatores como temperatura ambiente, níveis de umidade e outras condições externas que podem afetar a integridade do equipamento.
• Outros dados relevantes que podem fornecer informações adicionais sobre padrões de falha, como consumo de energia ou dados de custos de manutenção.

Processamento de dados

O pré-processamento de dados é uma etapa essencial na construção de uma solução personalizada de manutenção preditiva baseada em IA. Envolve uma série de técnicas, desde o tratamento de valores ausentes até a remoção de valores discrepantes e muito mais.

A escolha das técnicas de processamento adequadas depende das características dos seus dados, enquanto a chave para realizar o processamento de dados com sucesso é conhecer as suas máquinas. Suponha que você tenha dados de vibração ruidosos. Conhecer a faixa de frequência que contém marcadores de falha pode orientá-lo na escolha da estratégia de pré-processamento ideal.

Engenharia de recursos

Engenharia de recursos significa transformar dados brutos em recursos que ajudam a diferenciar o comportamento normal do comportamento defeituoso. O objetivo é extrair informações relevantes dos dados, facilitando a identificação de padrões e relacionamentos pelos algoritmos de ML.

Por exemplo, você pode monitorar a condição de uma caixa de engrenagens usando dados de vibração. O mau funcionamento de uma caixa de engrenagens resulta em alterações na frequência e magnitude da vibração. A frequência e a magnitude do pico podem, portanto, ser usadas para monitorar a integridade da caixa de engrenagens.

Algumas técnicas comuns usadas na engenharia de recursos abrangem o seguinte.

• Agregação: A combinação de vários pontos de dados brutos para criar recursos agregados pode fornecer uma visão de nível superior do comportamento do equipamento.
• Análise baseada no tempo: os dados de séries temporais geralmente contêm padrões temporais valiosos. A criação de recursos baseados em tempo, como hora do dia, dia da semana ou padrões sazonais, pode ajudar um modelo a capturar comportamentos recorrentes.
• Análise de sinal: a aplicação de técnicas de processamento de sinal pode ajudar a extrair componentes de frequência ou detectar padrões em dados de séries temporais.
• Análise de correlação: avaliar quais dados afetam mais a precisão da previsão e eliminar os pontos de dados que têm menos importância quando se trata de treinamento de modelo a partir de um conjunto de dados ajuda a reduzir o tempo necessário para treiná-los.
• Técnicas de extração de recursos específicos de domínio: Em alguns casos, o conhecimento do domínio pode levar a transformações especializadas de recursos. Por exemplo, para equipamentos rotativos, recursos baseados na análise da ordem de vibração podem ser úteis.

A engenharia de recursos provavelmente será um processo que envolve múltiplas iterações. É comum voltar a esta etapa após uma rodada inicial de treinamento e teste de um modelo preditivo para desempenho ideal.

Seleção e treinamento de modelos

Na próxima etapa, você escolhe um modelo de ML ideal e o treina com base nos dados coletados.

Seleção de modelo

Escolher o algoritmo ou modelo preditivo de ML certo é essencial para seu caso de uso específico de manutenção preditiva. Diferentes modelos têm vários pontos fortes e fracos, e a seleção depende de fatores como a natureza dos dados, a complexidade do problema e o nível desejado de interpretabilidade.

Os modelos comumente usados ​​para manutenção preditiva incluem o seguinte.

• Regressão logística: Adequado para problemas de classificação binária – por exemplo, prever se um equipamento irá falhar ou não.
• Árvores de decisão: Eficazes para lidar com dados categóricos e numéricos. Ele pode capturar relacionamentos não lineares entre recursos.
• Floresta aleatória: um método conjunto que combina múltiplas árvores de decisão para maior precisão e robustez.
• Support Vector Machines (SVM): Úteis para tarefas de classificação, especialmente ao lidar com dados de alta dimensão.

Treinamento de modelo

O treinamento do modelo envolve o uso de dados históricos para ensinar o modelo de manutenção preditiva de ML a reconhecer padrões e relacionamentos entre recursos e a variável alvo, como falha de equipamento. O conjunto de dados é dividido em duas partes: o conjunto de treinamento e o conjunto de testes.

O modelo aprende com os dados de treinamento e torna-se capaz de fazer previsões com base nos padrões que identifica durante o processo de treinamento.

Depois de treinado, o modelo é testado no conjunto de dados de teste. A validação do modelo é uma etapa crítica para avaliar o desempenho de um modelo em dados não vistos e para estimar seu poder preditivo.

Integração e implantação

Depois de identificar o modelo certo, treiná-lo e gerar previsões precisas, é hora de colocá-lo em ação integrando-o ao seu sistema. Dependendo das especificidades do seu software de manutenção preditiva de ML, você tem várias opções de implantação.

• Implementação na nuvem: opte por uma implantação baseada na nuvem se estiver lidando com grandes volumes de dados armazenados na nuvem. Ao executar os algoritmos de ML diretamente na nuvem, você elimina a necessidade de transferir dados entre máquinas locais e a nuvem para prognósticos e monitoramento de integridade. Isso agiliza o processo de manutenção e aumenta a eficiência.
• Implementação de borda: Alternativamente, você pode executar o algoritmo em dispositivos embarcados localizados mais próximos do equipamento. Esta abordagem permite atualizações e notificações imediatas sobre o estado do equipamento, sem atrasos.
• Implementação híbrida: você também pode optar por uma combinação de nuvem e borda. Utilize dispositivos incorporados para pré-processamento e extração de recursos e execute o modelo preditivo na nuvem. Dessa forma, você obtém o melhor dos dois mundos: a eficiência associada à implantação de borda e o poder de processamento baseado em nuvem. Funciona particularmente bem para sistemas como perfurações de petróleo ou motores de aeronaves, onde a operação contínua gera grandes quantidades de dados, tornando o armazenamento ou a transmissão a bordo um desafio devido à largura de banda e às limitações de custo.

Desafios a serem enfrentados no caminho

A implementação de uma solução de manutenção preditiva de IA pode trazer alguns desafios. Alguns obstáculos comuns incluem o seguinte.

• Equipamentos antigos: Conectar e coletar dados de equipamentos mais antigos ou incompatíveis pode ser um desafio. Pode ser necessário modernizar sensores ou utilizar gateways IoT para coletar os dados necessários.
• Estabelecer parâmetros corretos: É crucial identificar os parâmetros mais relevantes a serem monitorados para cada equipamento. Isso requer um conhecimento profundo do maquinário e de seus modos de falha para garantir previsões precisas.
• Qualidade e disponibilidade dos dados: Garantir a qualidade e a disponibilidade dos dados é fundamental para previsões precisas. Dados incompletos ou não confiáveis ​​podem levar a decisões de manutenção incorretas. Estabelecer práticas de governação de dados e investir em infraestruturas de dados são passos essenciais para superar este desafio.

Palavras Finais

A manutenção preditiva orientada por IA oferece uma oportunidade revolucionária para empresas que operam em setores com equipamentos pesados ​​ou dependentes de equipamentos. Ao adotar a abordagem proativa à manutenção, as organizações podem reduzir significativamente o tempo de inatividade, otimizar os custos de manutenção e aumentar a eficiência operacional.

Seja personalizando um software pronto para uso ou criando uma solução personalizada do zero, a manutenção preditiva de ML pode ajudá-lo a aproveitar todo o potencial do seu equipamento.

Entre em contato com nossa equipe para explorar as possibilidades da manutenção preditiva de ML e tomar decisões informadas que levarão sua empresa a novos patamares.

Este artigo foi publicado originalmente no site itrex.