Apresentação Grupo 8

Análise de Dados descentralizados

para manutenção na indústria 4.0
27ª Conferência Internacional sobre Automação Flexível e Manufatura Inteligente,
FAIM2017,
27 a 30 de junho de 2017, Modena, Itália
2
Alunos:
Anderson Lúcio - 33622
Davi Acássio - 33491
Ênio Vieira - 33874
Giovanni Peruchi - 34920
Maycon Douglas - 35154
Disciplina:
EELI28 - Gestão da Manutenção
Orientador:
Prof. Dr Bruno Silva Cota

Universidade Federal de Itajubá - Campus Itabira

Eng. Elétrica e Eng. Controle e Automação
Introdução
- Manutenção não planejada
- Indisponibilidade de Ativo
- Falta peças e ferramentas
- Atraso na produção
- 46% do custo operacional da Alemanha
Introdução
- Monitoramento de condição (disponível no
mercado)
- Pouco flexível
- Sensores muito caros
- Processamento de dados pesado
- Uso de fios elétricos para não perder
dados
Introdução
Desafio da indústria 4.0
- Análise e Interpretação de dados
- Manutenção preditiva
Benefício
- Planejamento de manutenção
- Otimização da Produção
Objetivo
Abordagem para análise de dados descentralizados
baseados em redes de sensores inteligentes.

- Rede digital de máquinas e sistemas na indústria

- Sensores inteligentes de baixo custo
- Algoritmo inteligente para processamento dos dados
Materiais e Métodos
• Análise de dados descentralizada (algoritmos)
• Redes de sensores inteligentes no sistema de
produção
• Processo de análise dos dados consiste em
quatro etapas:
– Pré-processamento
– Extração
– Seleção
– Classificação
Exemplo de aplicação

Análise de dados descentralizados utilizando uma rede de sensores inteligente

Materiais e Métodos

Dispositivos utilizados:
• Xbee
• Raspberry pi
• Sensores de vibração
• PostgreSQL (nuvem)
Estrutura de comunicação completa
Análise de Dados

• Pré-processamento
• Extração dos dados
• Filtragem no passa-banda
• Performance para a transformação do sinal
• Informação transferida para o Data Base
Systems na nuvem.
Análise de Dados
Validação dos Trabalhos

• Equipamento de teste foi usado para gerar

dados de vibrações.
• Equipamento é composto por:
– Uma corrediça deslizante superior
– Uma corrediça interna
– Uma corrediça girante
– guias e rolos (garantem movimentos)
– Servomotor e Ball Screw (acionamento)
Equipamento Analisado
O que é um Ball Screw ?
Danos Artificiais no Ball Screw
• Usando a tecnologia Laser Powder Cladding
• Danos são próximos a corrosão
• Corrosões são comuns em fusos e rolamentos
Danos Artificiais no Ball Screw

• Total de 5 (cinco) danos de diferentes

diâmetros foram feitos :
• Os danos foram subdivididos em classes :
– Classe 1 :
• Classe dos não danificados
– Classe 2 :
• Danificados com diâmetro de 300 µm.
• Danificados com diâmetro de 500 µm.
• Danificados com diâmetro de 600 µm.
• Danificados com diâmetro de 800 µm.
Norma DIN 631

• Diâmetro do dano deve ser 30% do diâmetro

do elemento rolante’’.

• Há uma semelhança entre o sistema

mecânicos do Ball Screw e o rolamento.
• Rugosidade de 50µm
• Um programa NC foi implementado com uma taxa de
alimentação de 1000 a 5000 mm/min.
• A taxa de alimentação é aumentada a cada 1000mm/min
para que o sensor MEMSLIS3DH possa obter as 5 classes de
danos.
• A taxa de amostragem é de 2500Hz.
• Objetivo da classificação : melhor algoritmo
• A precisão de cada algoritmo depende da sua taxa de
alimentação vf
Classificação dos Dados
 Conclusões
• Implementação deste sistema em outros tipos de
máquinas e setores industriais;

• Facilidade na implementação deste sistema em processos

e máquinas já instalados, para adequação na indústria 4.0;

• Utilização de dispositivos móveis para gerenciamento de

condições, planejamento da manutenção e análise de
tendências através do software Postgre SQL.
 Trabalhos Futuros do Autor

• Desenvolvimento de uma configuração

automatizada do processo de análise de
dados para uma seleção inteligente dos
recursos e classificação do algoritmo;

• Utilização de outros tipos de sensores

MEMS (Emissão acústica e microfones).
 Referência
UHLMANN, Eckart et al. Decentralized data analytics for
maintenance in industrie 4.0. Procedia Manufacturing, v. 11, p.
1120-1126, 2017.