Você está na página 1de 15

SISTEMA INTELIGENTE BASEADO EM LÓGICA FUZZY PARA PREVISÃO DE

FALHAS EM EQUIPAMENTOS MECÂNICOS

João Antonio de Camargo¹; Renan Caldeira Menechelli¹; Patrick Pedreira Silva¹; Henrique
Pachioni Martins¹.

¹Centro de Ciências Exatas e Sociais Aplicadas – Universidade do Sagrado Coração –


jcamargo.15@hotmail.com; renan.menechelli@usc.br; patrick.silva@usc.br; henrique.martins@usc.br

RESUMO

O mundo pede mudança, para ganhar eficiência e eliminar perdas. Nas indústrias, logo
após a primeira Revolução Industrial, a manutenção vem sendo um grande desafio ao longo dos
anos, que junto aos avanços tecnológicos, promove ganhos impressionantes. Na era da Indústria
4.0, os sistemas inteligentes vem para facilitar e agilizar o dia-a-dia dos operários, técnicos, e
todos com uma ligação ao processo. Um dos problemas mais comuns da área é a falha e
indisponibilidade imprevista de equipamentos mecânicos, que podem causar perdas diretas ou
indiretas a linha de produção. Buscando minimizar isso, esse trabalho propõe o
desenvolvimento de um sistema capaz de prever possíveis falhas através do processamento de
dados, coletados por inspeções preventivas periódicas realizadas em campo, através da lógica
Fuzzy. De primeiro momento foi feito o levantamento teórico dos assuntos, técnicas e métodos
relacionados com o tema, tais como manutenção industrial, equipamentos mecânicos,
inteligência artificial, lógica Fuzzy e o modelo de referência de sete camadas OSA-CBM. Para
o algoritmo foi elaborado e definido cinco gráficos de pertinência trapezoidal e 216 regras de
inferência. Com a implementação do algoritmo para processar os dados úteis, presentes no
banco de dados, obtidos através de coletas em uma empresa do ramo de fabricação de papel,
obtivemos como resultado um grau de pertinência da situação do equipamento em análise,
representado pelas variáveis linguísticas normal, aceitável, em alerta e em Falha, de forma
satisfatória, cumprindo com o objetivo proposto por esse.

Palavras-chave: Logica Fuzzy. Inteligência Artificial. Industria 4.0. Manutenção preventiva /


preditiva. Equipamentos mecânicos.

1 INTRODUÇÃO

A tecnologia está dominando o mundo, as indústrias estão em constante expansão,


sempre buscando aumentar a sua produtividade e qualidade. Um dos meios mais adotados é a
automação, que possibilita ao empresário a diminuição de perdas por falhas humanas e otimiza
a utilização do tempo disponível.
Um exemplo clássico relacionado de ganho de tempo com a tecnologia é o caso da
Phillips, que realizou o teste de um dos primeiros protótipos do Profs1 em 1982 e implantou o

1
PROFS (Professional Office System), software com foco em tarefas de escritórios desenvolvido pela IBM
(International Business Machines) empresa da área de informática do Estados Unidos.
correio eletrônico interno, diminuindo em 25% as ligações telefônicas, liberando as secretárias
para demais tarefas. (PESSANHA, 1987).
A automação de processos permite o aumento e a constância da qualidade, diminuindo
as perdas por falhas humana e em alguns casos até permite o aumento considerado da
capacidade produtiva da empresa. (SELEME; SELEME, 2012). Porém tudo está vulnerável à
falhas, principalmente equipamentos mecânicos, os quais necessitam de um certo cuidado
especial para que tenham uma durabilidade e um desempenho maior. Segundo Dhillon (2006)
e Filho (2008) existem manutenções específicas com intuito de evitar que defeitos e falhas
provoquem perdas indesejáveis.
Esses processos, normalmente são executado por especialistas da área que, com base na
análise de dados reais coletado in loco, emite um relatório indicando os pontos críticos que
necessitam de uma intervenção e/ou uma atenção especial.
Focando na ideia da automatização e prevenção de falhas, surge a possibilidade de reunir
mais de um fator observado e coletado no chão de fábrica para analisar o estado do
equipamento, desse modo, se faz possível a aplicação de um algoritmo inteligente utilizando
técnicas da Inteligência Artificial (IA), seguindo a ideia apresentada por Latil (1973), sendo
assim capaz de analisar os dados obtidos durante as rotas de inspeções juntamente com os já
armazenados anteriormente no banco através de cadastros ou até mesmos coletas anteriores.
Através da lógicas Fuzzy existe a possibilidade de desenvolver um algoritmo para evitar
essas situações. Essa lógica trabalha com a incerteza, onde seus resultados não são apenas sim
ou não, permitindo uma flutuação entre possibilidades, apresentando seu resultado, na maioria
das vezes em probabilidades. Assim podendo evitar a quebra do equipamento, queda da
qualidade e consequentemente a perda de produção.

2 MANUTENÇÃO INDUSTRIAL MODERNA

A manutenção vem sendo um grande desafio a partir da Revolução Industrial, mesmo


com um avanço considerável devido a evolução constante da tecnologia. Porém, ela continua
sendo uma atividade complicada devido a diversos fatores como a complexidade, custo e
concorrência, no qual juntas com uma nova filosofia de organização e responsabilidades,
transformaram-na em uma das atividades que mais se alteraram nos últimos vinte anos.
(DHILLON, 2002; MOUBRAY, 1997).
2.1 DEFINIÇÃO

No cenário industrial moderno, a manutenção vem ganhando um espaço cada vez maior,
pois no momento atual as organizações estão considerando-a como um instrumento para
geração e/ou ampliação dos ganhos, assim sendo um meio de manter a produção sempre
eficiente e eficaz. Além de tornar a empresa mais econômica, conseguindo sustentar a sua
sobrevivência a longo prazo. (SHARMA et al., 2011).
A manutenção ganha diversas definições, como a mesma linha de raciocínio, para as
normas brasileiras regulamentadoras (NBR) a manutenção é, de modo genérico, como a
“combinação de todas as ações técnicas e administrativas, destinada a permitir que um item
cumpra uma função requerida”. (NBR-5462, 1994, p. 2). Dhillon (2006), Filho (2008) e Viana
(2013) definem a manutenção como todas as ações praticadas com o intuído de manter algo em
funcionamento ou restaurá-lo, assim exercendo todas as suas funções básicas, ou seja, tudo que
é feito aos equipamentos para que eles sempre sejam produtivos.

2.2 A EVOLUÇÃO

A evolução da manutenção se iniciou com a revolução industrial, porém somente no


século XX que foi mais impactante para a sociedade. (VIANA,2013). Moubray (1997), Raposo
(2004) e Siqueira (2009) dividem essa evolução em três gerações:
a) Primeira geração: período antecessor a Segunda Guerra Mundial, caracterizada
por uma indústria altamente mecanizada, com sistemas simples, brutos e
superdimensionados;
b) Segunda geração: iniciou-se na década de 1950, o período pós-guerra, marcado
pelo crescimento da demanda de produtos, serviços e pela escassez de mão-de-
obra especializada;
c) Terceira geração: surge a ideia de tentar antecipar a ocorrência de uma falha,
por meio de revisões gerais com periodicidade, assim nascendo o conceito de
manutenção preventiva.

Contudo, Filho (2005) analisando as gerações proposta por Moubray, sugere a


"medicina de sistemas", uma metodologia que apresenta uma quarta geração com foco na
manutenção estratégica centrada na condição e no negócio, que na atualidade é conhecido como
a era da indústria 4.0.
2.2.1 Industria 4.0

No ciclo evolucionário, a quarta geração surgiu a partir dos processos industriais


descentralizados, controlados através de sistemas cyber-físicos e da internet das coisas (IoT).
Ela passou a ser conhecida como Indústria 4.0 por meio do projeto de Silgfried Dais e
Kagermann do governo alemão, com foco no desenvolvimento de novas tecnologias industriais,
visando o ganho e a competitividade, através de fábricas inteligentes. (AMORIM, 2017).
Segundo Amorim (2017) a quarta geração resume-se em cinco princípios:
a) Capacidade de operação em tempo real;
b) Virtualização;
c) Descentralização;
d) Orientação para serviços;
e) Modularidade.

Em geral, a Indústria 4.0 gira em torno da internet das coisas, em que tende a conectar
tudo e todos os elementos do dia-a-dia, com uma ideia de junção do mundo real ao cibernético,
trazendo uma comunicação contínua a todos. (GARTNER, 2012). Com tudo, nos dias atuais
grande parte das ideias que foram surgindo de gerações em gerações ainda são aplicadas, porem
inúmeras empresas buscam sempre se concentrar nas técnicas mais atuais, afim de evitar perdas
indesejadas devido ao tempo ociosos dos equipamento com as falhas inesperadas.

2.3 TIPOS DE MANUTENÇÃO

De um modo geral surgiu diversas técnicas e filosofias de manutenção durante toda a


evolução, que não foram aplicadas de maneira cronológica e sequencial ao seu
desenvolvimento; elas ganharam novas formas por adaptação feitas conforme a necessidade de
cada empresa aplicada. Assim contribuiu com a uma evolução da manutenção, unindo-a com
várias ferramentas de outras ciências, mantendo o foco dos resultados em negócios,
competitividade, inovação tecnológica, logística e gestão de ativos. (GUTIÉRREZ, 2005;
KARDEC; NASFIC, 2009; TAVARES, 1999).
Siqueira (2009) mostra que a classificação da manutenção é feita de acordo com a forma
de planejamento das atividades e dos objetivos do método de manutenção aplicado. Dhillon
(2006) e afirma que apesar de cada empresa ter um plano de manutenção distinto, em todos a
manutenção basicamente possui quatro formas distintas:
a) Manutenção corretiva: é considerada como toda a ação de reparo imediato,
decorrente de um defeito ou uma falha, assim permitindo que seja restabelecido
o funcionamento de um equipamento, de um sistema ou de uma instalação para
uma condição operacional satisfatória. (DHILLON, 2006);
b) Manutenção preventiva: tem como objetivo geral identificar falhas potenciais e
defeitos antes de sua ocorrência, evitando que o equipamento atinja um nível
abaixo dos de segurança e confiabilidade desejados. A ideia é que sempre
mantenha o funcionamento em um bom estado de operação, pelo meio de tarefas
periódicas. (DHILLON, 2006; SMITH; MOBLEY, 2007; XENOS, 2004);
c) Manutenção preditiva: consiste em todos os tipos de ações utilizadas para o
acompanhamento ou monitoramento das condições de um equipamento,
instalação ou sistema, seus parâmetros operacionais e sua eventual degradação
e/ou desgaste, ela normalmente é realizada através de medições e/ou inspeções
não destrutíveis. (FILHO, 2008; MARÇAL, 2000);
d) Manutenção centrada em confiabilidade: é um processo utilizado para decidir a
intervenção a ser tomada, assim garantindo o funcionamento correto dos
equipamentos, garantindo que sua função operacional seja executada com
sucesso. (MOUBRAY, 2000).

Todos esses conceitos se aplicam ao proposto, pois qualquer tipo de manutenção


mencionado tem uma ligação direta ou indireta a ideia central do projeto. A manutenção
corretiva para ocorrências diárias. A manutenção preventiva, para as ações rotineira afim de
conservar o equipamento. A manutenção preditiva durante o processo de acompanhamento de
fatores observados e dados coletados do equipamento. E a centrada na confiabilidade, no casos
de definir quando e se deve intervir ou não no equipamento.
As fábricas de modo geral são formadas por sistemas e instalações, compostas por
equipamentos mecânicos, elétricos, entre outros, que agrupados de forma funcional criam o
potencial de realizar um trabalho. O equipamento é uma unidade completa e distinta, e quando
entra em funcionamento pode exercer uma ou mais funções. Ele possui diversas peças
essenciais para o seu funcionamento (FILHO, 2008).
Dessas peças em um equipamento mecânico, o rolamento pode ser considerado como
uma das mais importantes, considerando que é responsável em permitir a rotação do eixo em
relação a carcaça. (NIEMANN, 1971; KSB 2009). É nele que se concentra o proposto, levando
em consideração que a sua falha pode surgir a partir da má lubrificação entre outros fatores tais
como tempo em máquina, aplicação e ambiente de trabalho. Um dos principais sintomas a ser
observado é a alteração da temperatura durante a operação devido ao atrito, entre outros fatores
como exemplo ruídos e vibrações.

3 INTELIGÊNCIA ARTIFICIAL

No geral, a IA foca no comportamento, no processo de pensamento e raciocínio humano.


Pode-se dizer que ela se resume em tentar fazer com que o computador pense e se comporte
como os seres vivos. Um sistema inteligente pode funcionar com uma lógica simples ou tentar
“pensar”, tentando imitar o funcionamento dos neurônios. (RUSSELL; NORVIG, 2004).
A Inteligência Artificial é também uma das áreas com considerável evolução de técnicas
e conceitos em geral. Apesar de se originar após a segunda guerra mundial, na década de 50,
ela vem sendo estudada por filósofos há mais de dois mil anos, com o intuito de descobrir como
funciona o cérebro humano. (FILHO, 2007).
Por ter um caráter multidisciplinar, a IA está relacionada com várias áreas tais como a
psicologia, biologia, logica matemática, linguística, engenharia, filosofia, entre outras áreas
cientificas. O ponto principal utilizado para o desenvolvimento do algoritmo inteligente foram
os conceitos da lógica Fuzzy, que está localizado na área dos Sistemas Nebulosos.

3.1 LÓGICA FUZZY

Historicamente falando, o primeiro registro sobre Lógica Fuzzy, foi em 1965, pelo
engenheiro Lotfi Asker Zadeh, professor da Universidade de Berkeley. Nessa década ele
apresentou a teoria dos conjuntos Nebulosos. (CAMPOS, 2004; CHENG, 1997).
Essa lógica é aplicada quando se possui conjuntos imprecisos para se trabalhar, ou seja,
conjuntos com limites sem exatidão. Na lógica clássica, um valor pertence ou não em
determinado conjunto, já na nebulosa o valor tem um grau de pertinência, que permite
selecionar um valor linguisticamente impreciso como: muito; mais ou menos; pouco; muito
pouco. (NASSAR, 2004).
Um exemplo típico da aplicação dessa lógica é em controle de temperatura, em que no
caso binário o resultado será frio ou quente, já no caso nebuloso (Fuzzy) o resultado será um
grau de pertinência, em que o resultado final é representado por uma variável linguística, que
pode ser, por exemplo, meio frio, meio quente, entre outros.
3.1.1 Variável linguística

Para Cox (1994) o conceito de variável linguística é essencial para a lógica nebulosa.
Essas variáveis podem ser consideradas como o nome dado aos conjuntos nebulosos, tendo
como valores somente expressões linguísticas, conhecido como termos primários, que podem
representar um conjunto existente no universo em questão. Adaptando esse conceito para o
trabalho proposto, as variáveis linguísticas foram definas de acordo com o fator observado, ou
seja, cada parâmetro em analise recebeu as variáveis linguísticas mais adequada para a situação.

3.1.2 Inferência nebulosa

Diferente das proposições exatas (exemplo: verdadeiro, falso, 55%, 2 horas, 5 metros,
27ºC, entre outros), que possui valores “perfeitos”, ou seja, definas pela lógica binaria, a
inferência nebulosa é conhecida como uma dedução lógica, ou seja, valores intuitivos
reconhecidos pelo homem. Esse processo de inferência, pode ser aplicado a várias proposições
Fuzzy, onde o resultado final é a junção de todos os anteriores. (CHENG, 1997; TANSCHEIT,
2007). Ela é montada de acordo com as possibilidades das variáveis linguísticas de entrada,
assim obtendo a de saída. A partir disso junto com os valores de entrada fuzzificados que se
obtém os valores finais para se poder chegar a uma conclusão.

3.2 MODELO DE REFERÊNCIA DE SETE CAMADAS OSA-CBM

O modelo OSA-CBM (Open System Architecture for Condition Based Maintenance),


foi uma implementação tomando como base a norma ISO-13374. Nessa arquitetura de software,
ela é dividida em sete camadas funcionais necessárias para a implementação de um sistema de
manutenção baseada nas condições. (THURSTON, 2001; LEBOLD, 2003). Para o
desenvolvimento foi então adotado apenas 5 dessa camadas, as consideradas mais interessantes
a proposta, seguindo assim a ideologia base do modelo apresentado.

4 MATERIAIS E MÉTODOS

A evolução de conceitos e técnicas nos ramos industriais exigem novos meios de


abordagem para uma manutenção mais precisa, eficiente e eficaz, afim de aproveitar o máximo
possível da tecnologia disponível para conseguir um ganho maior, seja ele em produtividade,
segurança humana e/ou patrimonial. A proposta executada nesse projeto tem a tendência de
tornar a rotina industrial mais amigável, tanto ao responsável pela manutenção e aos operadores
quanto ao proprietário da unidade.
Para atingir o objetivo desse projeto foi montado um modelo próprio tendo como base
o modelo OSA-CBM e nas técnicas atuais de manutenção e o cotidiano nas indústrias, conforme
mencionado anteriormente, para ser seguido. Esse modelo ficou divido nas seguintes etapas:
a) Aquisição de dados: foram elaboradas telas de inserção específica, que armazena
os dados no banco. Para o algoritmo Fuzzy, esses dados são coletados e
atribuídos a um objeto, então sendo encaminhado para a fase seguinte;
b) Computação de dados: responsável pela fuzzificação dos valores de entrada, ou
seja, conversão dos valores numéricos em valores linguísticos. Para isso foi
então definido as funções de pertinência, em que cada variável tem seu próprio
universo, foi escolhida para a representação a função trapezoidal;
c) Verificação de estado: foram desenvolvidas 216, utilizando os conceitos de
Fuzzy e mecânica, nelas são aplicados os resultados obtidos com a fuzzificação,
assim calculando os valor de pertinência para cada resultado possível;
d) Avaliação de saúde: o algoritmo define o estado atual do equipamento, através
da desfuzzificação, em que resulta em um valor entre 0 e 5, em que 0 é o melhor
estado (fatores observados com valores apropriados) e 5 o pior (fatores
observados com valores acima do normal), aplicando o método de centroide;
e) Apresentação do prognóstico: apresentado ao usuário, tanto as informações
processadas quanto qualquer outra existente no banco de dados.

Para o desenvolvimento o projeto foi divido em três módulos, para ter uma interface
mais comunicativa e uma melhor organização:
a) Módulo de cadastro: é o módulo responsável por todos os cadastros base
necessários para o sistema;
b) Módulo de manutenção: local voltado para inserção de dados na base e
processamento dos mesmos. Esse módulo é composto por três grupos distintos
de funções: manutenção preventiva, preditiva e ocorrências;
c) Módulo de consulta: realiza as consultas específicas nos dados registrados,
exibindo as informações.
Todos os módulos tem uma ligação direta ou indireta ao banco de dados, porem o fluxo
de dados é apenas o necessário para o funcionamento do sistema, evitando acessos
desnecessários, assim tornando o sistema mais seguro e mais ágil.

5 RESULTADOS

O primeiro resultado observado desta pesquisa foi o modelo inicial que orientou a
construção da ferramenta aqui proposta. Este modelo consiste na identificação do potência do
surgimento de falhas em equipamentos mecânicos, através da aplicação do método Fuzzy. De
início, a base para o desenvolvimento foram os gráficos de pertinências, elaborados um para
cada parâmetro de entrada e um para o de saída. Outro resultado importante são as regras de
inferências, que foram montadas com todas as combinações possíveis das variáveis de entrada,
totalizando em 216 regras. Assim sendo possível modelar e desenvolver o algoritmo inteligente
para executar a análise do equipamento e posteriormente apresentar um resultado.
Para o algoritmo inteligente, foi criado uma classe chamada “Analise”, em que se
concentra todas as etapas e dados para o processamento Fuzzy.
O processamento acontece em quatro etapas:
a) Busca de dados: o sistema coleta todos os dados necessário no banco, além deles
ele coleta também a data atual do sistema, para o processamento;
b) Fuzzificação: o sistema realiza através de condições e a aplicação das fórmulas
intrínsecas com a função de pertinência trapezoidal, para cada parâmetro de
entrada, levando em consideração que cada uma representa condições distintas;
c) Aplicação de inferência: o sistema faz um acesso ao banco, e busca apenas as
regras em que todos os valores de pertinência das variáveis linguísticas de
entrada sejam maior que zero, em seguida o algoritmo verifica o maior valores
de pertinência entre as inferências de cada possível estado;
d) Desfuzzificação: o sistema atribui um valor para o estado do equipamento,
através da aplicação dos cálculos a partir do método de centroide.

É através dessa função que se chega a um resultado número entre 0 e 5, que é a escala
do gráfico de pertencia final.
A proposta foi basicamente de desenvolver um software capaz de coletar informação
externas (dados de entrada) e com mais alguns dados pré-definidos e/ou salvos, ser capaz de
conseguir definir o estado atual de um equipamento mecânico, utilizando um algoritmo
inteligente baseado nos métodos da lógica Fuzzy.
Para então atender a essa situação foi criado, utilizando a linguagem JAVA, o
CyberAnalyst, um programa capaz de analisar dados referente a fatores que podem prejudicar
o funcionamento de um equipamento mecânico e verificar o estado em que ele se encontra.
O software final ficou dividindo os pacotes Java em 3 conjuntos, conforme o modelo
padrão de arquitetura de dados MVC (Model-View-Controller), assim dividindo os pacotes Java
em 3 conjuntos:
a) Banco (Model ou Modelo): Pacote com 3 classes (Class Java) fundamentais para
conexão e acesso ao banco de dados;
b) Classes (Controller ou Controlador): Pacote com 13 classes (Class Java)
utilizados durante o acesso e para o processamentos dos dados;
c) Telas (View ou Vista): Pacotes com 11 formatos (Form Java) e seus códigos,
para interação do usuário com o sistema.

Para o funcionamento do algoritmo inteligente descrito anteriormente, basicamente


precisa-se de 3 etapas no sistema desenvolvido:
a) Cadastro: Telas em que é possível inserir os dados básicos, tais como os setores
da indústria, os equipamentos disponíveis, as posições / instalações de
funcionamento, os colaboradores, entre outros. Esses dados podem ser alterados
a qualquer momento;
b) Rotas de preventiva: Telas em que são realizadas rotas de coletas (temperatura
e lubrificação) com uma certa periodicidade, nelas são atribuídos, para cada
posição, valores coletados no chão de fábrica;
c) Analise preditiva: Para a análise ser executada, todos os dados bases devem estar
cadastrados e também ter no mínimo uma coleta de cada rota. Na módulo
preditiva é o local onde se encontra o algoritmo inteligente e é executado todo o
processamento descrito.

Ao acionar a busca de dados, o sistema coleta todos os dados pertinente ao


processamento e exibe, conforme figura 1, caso esteja faltando algum dado, o sistema não
permite a análise. Nessa parte existe a flexibilidade de atualizar ou inserir alguns dados, porém
essa alteração é apenas para simulações, ou seja, esses dados não são alterados na base de dados.
Figura 1 – Tela de análise de preditiva

Fonte: Elaborada pelo autor.

Ao clicar no botão ANALIZAR, o sistema aplica as demais etapas do algoritmo,


fuzzificando os valores de entradas para as variáveis linguísticas e atribuindo seus valores de
pertinência, em seguida ele faz a inferência calculando os valores de pertinência das variáveis
de saída, então é desfuzzificado retornando o estado do equipamento (entre 0 e 5).

6 CONCIDERAÇÕES FINAIS

A necessidade desse trabalho surgiu mediante a observação e vivencia com falhas de


simples erros mecânicos em equipamentos de grande importância para uma empresa. Após
algumas pesquisas, foram encontradas várias aplicações de métodos utilizando Redes Neurais,
Algoritmos Genéticos, Logica Fuzzy, Algoritmos Evolutivo, Aprendizagem de Máquina, entre
outras técnicas disponíveis, com isso, foi possível visualizar outros problemas que foram
solucionados através da computação de dados. Assim foi definido Fuzzy como o método mais
apropriado para aplicação, pois com a inconstância e variação dos dados junto dos conceitos
nebulosos melhor se adequaram para a proposta desse trabalho.
Os métodos da logica Fuzzy, podem ser utilizados para diversas aplicações de maneiras
diferentes, em que possua outros tipos de funções de pertinência ou até mesmo a junção de mais
de um modelo. Além disso existe outras maneiras de se montar as regras de inferência e métodos
de desfuzzificação que se adequam melhor para outros casos. Diante disso é possível notar que
a gama de opções é enorme, assim podendo atender várias áreas com suas diversas opções.
Unindo todos os conceitos aqui apresentado foi possível desenvolver o software em
questão, e mediante ao resultado obtido. Um conjunto de testes para a aferição dos resultados
do sistema atual foram realizados pelo próprio autor, considerando algumas situações de falhas
eminentes, casos de operação com sobrecarga no equipamento e momentos de funcionamento
normal. Com base numa avaliação subjetiva avalia-se a necessidade de melhorias que envolvem
o aumento de parâmetros de entradas, para mais fatores a serem observados tais como vida útil,
capacidade máxima, ambiente de trabalho, entre outros. Assim, refinando o resultado de saída,
dando mais precisão para o estado obtido do equipamento.
Com o grande conjunto de informações que a manutenção industrial, as falhas
mecânicas e a Industria 4.0 proporcionam, abre-se um grande leque de aprimoramento do
presente trabalho, tendo em vista a quantidade de informações que a tecnologia atual oferece.
Em um primeiro momento há possibilidade na melhora da atual aplicação, criando
meios de emitir notificações em tempo real aos responsáveis da áreas, caso seja encontrado
algum equipamento com estados alarmante, afim de agilizar o planejamento de uma parada
programada para realizar reparos necessários. Além dessas, notificações de atraso de inspeções,
seja ela de temperatura ou lubrificação, também tornaria a manutenção mais exata, e menos
sujeita a falha. Uma outra opção, é o sistema emitir sinais, seja ele de modo visual ou sonoro.
Para que isso seja possível há a necessidade na interação de outras técnicas e métodos
tecnológicos disponíveis na atualidade.
Visando dar maior flexibilidade e liberdade ao usuário é possível desenvolver uma
aplicação móvel, afim de facilitar nas coletas em campo e nas consultas. Por meio de um APP
seria possível desenvolver novos conceitos e regras de utilização, facilitando na interação entre
o sistema e o operário.
Mediante todos os pontos aqui abordados, é possível afirmar que se teve o objetivo geral
satisfatoriamente cumprido com o desenvolvimento de um protótipo que conseguisse prever
possíveis falhas através de um algoritmo inteligente ligado diretamente na área de IA. É
possível afirmar também que as configurações escolhidas (variáveis linguísticas, tipo de função
de pertinência, modelo da regra de inferência, entre outros) para a lógica Fuzzy e os fatores
utilizados (temperatura ambiente, temperatura do equipamento, lubrificação, velocidade, tempo
em operação, entre outros) na análise do equipamento mecânico, para essa aplicação, foram
ideais para atender o objetivo proposto. Defini-los corretamente foi fundamental para que esse
projeto fosse finalizado com sucesso, com resultados satisfatórios e promissor.
FUZZY LOGIC-BASED INTELLIGENT SYSTEM FOR MECHANICAL
EQUIPMENT FAILURE FORECAST

ABSTRACT

The world calls for change, to gain efficiency and eliminate losses. In industries, just
after the first Industrial Revolution, maintenance has been a major challenge over the years,
which along with technological advances, promotes impressive gains. In the era of Industry 4.0,
intelligent systems come to facilitate and streamline the day-to-day of workers, technicians, and
all with a connection to the process. One of the most common problems in the area is the failure
and unforeseen unavailability of mechanical equipment, which can cause direct or indirect
losses to the production line. In order to minimize this, this work proposes the development of
a system capable of predicting possible failures through data processing, collected by periodic
preventive inspections carried out in the field, through Fuzzy logic. From the first moment the
theoretical study of the subjects, techniques and methods related to the theme, such as industrial
maintenance, mechanical equipment, artificial intelligence, Fuzzy logic and OSA-CBM seven-
layer reference model were made. For the algorithm, five trapezoidal pertinence graphs and 216
rules of inference were elaborated and defined. An algorithm then implemented to process the
useful data obtained from collections in a papermaking company. Thus, it was possible to obtain
as a result a degree of pertinence of the situation of the equipment under analysis, represented
by the linguistic variables: normal, acceptable, alert and fault. Accomplishing in a satisfactory
way the objective proposed by this one.

Keywords: Fuzzy logic. Artificial intelligence. Industry 4.0. Preventive / predictive


maintenance. Mechanical equipment.

REFERÊNCIAS

AMORIM, J. E. A “indústria 4.0” e a sustentabilidade do modelo de financiamento do


Regime Geral da Segurança Social. Cadernos de Dereito Actual Nº 5, p. 243-254. Portugal,
2017.

ASSOCIAÇÃO BRASILEIRA DE NORMAS TÉCNICAS. NBR 5462: confiabilidade e


mantenabilidade: terminologia. Rio de Janeiro, 1994.

CAMPOS, M. C. M. M.; SAITO K. Sistemas inteligentes em controle e automação de


processos. Ed. Ciência moderna. Rio de Janeiro: Petrobras, 2004.

CHENG, L.Y. Quantificação de variáveis subjetivas do projeto. Apostila do curso PCC-


5015, São Paulo: USP, 1997.

COX, E. The fuzzy systems handbook: A practitioner’s guide to building, using and
maintaining fuzzy systems. A. P Professional, 1994.

DHILLON, B. S. Engineering maintenance: a modern approach. 2. ed. Florida: CRC Press,


2002.
DHILLON, B. S. Maintainability, maintenance and reliability for Engineers. New York:
CRC Press, 2006.

FILHO, C. F. História da computação: O Caminho do Pensamento e da Tecnologia. Porto


Alegre: EDIPUCRS, 2007.

FILHO, G. B. A Organização, o Planejamento e o Controle da Manutenção. Rio de Janeiro:


Ciência Moderna, 2008.

FILHO, R. A. Medicina de sistemas: Uma abordagem holística, estratégica e institucional para


a gestão da manutenção. Dissertação Mestrado em Sistemas de Universidade Federal
Fluminense. Niterói, 2005.

GUTIÉRREZ, A. M. Mantenimiento estratégico para empresas industriales o de servicios:


enfoque sistémico kantiano. Colômbia: AMG, 2005.

KARDEC, A.; NASFIC, J. Manutenção: função estratégica. 3. ed. Rio de Janeiro:


Qualitymark, 2009.

KSB BOMBAS HIDRÁULICAS SA. Manual de serviço Nº A2742.8P/8: Meganorm. Várzea


Paulista, 2009.

LATIL, P. O pensamento artificial: Introdução à cibernética. Tradução de Jerônimo Monteiro.


3. ed. São Paulo: IBRASA, 1973.

LEBOLD, M.; REICHARD, K. e BOYLAN D. Utilizing DCOM in an Open System


Architecture Framework for Machinery Monitoring and Diagnostics, In Proceedings
from Aerospace Conference. p. 1227–1236, Irvine - USA, 2003.

MARÇAL, R. F. M. Um método para detectar falhas incipientes em Máquinas Rotativas


baseado em Análise de Vibrações e Lógica Fuzzy. Tese (Doutorado) – Programa de Pós-
Graduação em Engenharia Metalúrgica, de Minas e dos Materiais, Universidade Federal do Rio
Grande do Sul. Porto Alegre, 2000.

MOUBRAY, J. Reliability-centered maintenance: second edition. 2. ed. New York:


Industrial Press Inc., 1997.

MOUBRAY, J. Manutenção Centrada em Confiabilidade. Lutterworth, Inglaterra: Aladon,


2000.

NASSAR, S. M. Tratamento de Incerteza: Sistemas Especialistas Probabilísticos. Apostila


do Programa de Pós-Graduação do Departamento de Informática da Universidade Federal de
Santa Catarina (UFSC), Florianópolis, 2004.

NIEMANN, G. Elementos de máquinas: Volume 1. Tradução de Otto Alfredo Rehder. São


Paulo: Edgard Blucher Ltda, 1971.

NIEMANN, G. Elementos de máquinas: Volume 2. Tradução de Otto Alfredo Rehder. São


Paulo: Edgard Blucher Ltda, 1971.
PESSANHA, K. Automação de escritórios: fundamentação e planejamento. São Paulo:
McGraw-Hill, 1987.

RUSSEL, S.; NORVIG, P. Inteligência Artificial. 2. ed. Rio de Janeiro: Campos, 2004.

SELEME, R.; SELEME, R. B. Automação da produção: uma abordagem gerencial. 2 ed.


Curitiba: Ibpex, 2012.

SHARMA, A.; YADAVA, G. S.; DESHMUKH, S. G. A literature review and future


perspectives on maintenance optimization. Journal of Quality in Maintenance Engineering,
v. 7, n. 1, p. 5-25, 2011.

SIQUEIRA, Y. P. D. S. Manutenção centrada na confiabilidade: manual de implantação.


Rio de Janeiro: Qualitymark, 2009.

SMITH, R.; MOBLEY, R. K. Rules of Thumb for Maintenance and Reliability Engineers.
Burlington: Butterworth Heinemann, 2007.

TANSCHEIT, R. Sistemas Fuzzy. Inteligência computacional: aplicada administração,


economia e engenharia em Matlab, p. 229–264, São Paulo, Thomson Learning, 2007.

TAVARES, L. A. Administración moderna de mantenimiento: en español. Rio de Janeiro:


Novo Pólo Publicações, 1999.

THURSTON, M. G. An Open Standard for Web-Based Condition-Based Maintenance


Systems. In proceedings from the IEEE System Readiness Technology Conference,
Autotestcon Proceedings, p. 401–415, Valley Forge, P.A., USA, 2001.

VIANA, H. R. G. PCM, planejamento e controle de manutenção. Rio de Janeiro:


Qualitymark Editora, 2013.

XENOS, H. G. Gerenciando a manutenção produtiva. São Paulo: INDG TecS, 2004.