O documento discute como a Indústria 4.0 está revolucionando a manutenção preditiva através da Internet das Coisas e sistemas cibernéticos físicos. A manutenção cognitiva usa modelos preditivos treinados por dados em tempo real para detectar anomalias e falhas de equipamentos. Embora haja muitos algoritmos de aprendizado de máquina disponíveis, nenhum é perfeito para todos os casos, e as empresas enfrentam desafios na obtenção e análise de dados.
Descrição original:
Título original
Resumo Artigo "Machine learning and reasoning for predictive maintenance in Industry 4.0: Current status and challenges"
O documento discute como a Indústria 4.0 está revolucionando a manutenção preditiva através da Internet das Coisas e sistemas cibernéticos físicos. A manutenção cognitiva usa modelos preditivos treinados por dados em tempo real para detectar anomalias e falhas de equipamentos. Embora haja muitos algoritmos de aprendizado de máquina disponíveis, nenhum é perfeito para todos os casos, e as empresas enfrentam desafios na obtenção e análise de dados.
O documento discute como a Indústria 4.0 está revolucionando a manutenção preditiva através da Internet das Coisas e sistemas cibernéticos físicos. A manutenção cognitiva usa modelos preditivos treinados por dados em tempo real para detectar anomalias e falhas de equipamentos. Embora haja muitos algoritmos de aprendizado de máquina disponíveis, nenhum é perfeito para todos os casos, e as empresas enfrentam desafios na obtenção e análise de dados.
O artigo “Machine learning and reasoning for predictive
maintenance in Industry 4.0: Current status and challenges”, de autoria de Jovani Dalzochioa, Rafael Kunsta,∗, Edison Pignatonb, Alecio Binottoc, Srijnan Sanyalc, Jose Favillad e Jorge Barbosa, retrata a respeito da industria 4.0 e o modo como esta indústria inseriu mudanças na industria de automação.
A Internet das Coisas (IOT) e a Cyberphysical System (CPS),
introduzem a automação cognitiva, inserindo o conceito de uma produção inteligente, que esta diretamente ligada a produtos e serviços inteligentes.
O estudo feito no presente artigo evidencia que muitas
empresas não possuem a preparação necessária para lidar com este novo cenário, em que nem sempre algo que possui grande quatidade, colabora para um aumento na produtividade.
Ressata-se que a aplicação deste conceito é a utilização de
dados analíticos para desenhar um Sistema de Suporte e Decisão (DSS), este que pode providenciar uma tomada de decisão mais eficiente e consequentemente uma reconstrução mais rápida no caso de falha. Nesta industria 4.0, de origem no Sistema de Suporte de Design (DSS), utiliza-se de uma grande quantidade de dados em formato PdM, em que o sistema CPS pode providenciar uma precaução e manutenção própia inteligentemente. Essa abordagem facilita a industria a visualizar uma degradação da performasse do produto, melhorando e otimizando o que o produto precisa.
Os beneficios do PdM incluem melhor produtividade, redução
de falhas no sistema, minimização da queda não planejada do sistema, aumento da eficiencia na utilização de finanças e recursos humanos e aumenta os planos de manutenção e intervenção.
O artigo também aponta outro importante aspecto a respeito do
uso de inteligencia artificial, como a obtenção de dados de treinamento, a dinamica do ambiente operacional, selecionar o algoritimo ML que melhor se encaixa em certo cenário, e a necessidade de saber a informação do contexto, como por exemplo, as condições operacionais e o ambiente de produção. No presente estudo, discute-se os aspectos dos negócios e relaciona os desafios para a implementação do PdM no cenário de industrias 4.0.
Os autores evidenciam que na última revolução industrial,
focou na melhora da manufaturação dos processos físicos, expandindo o poder humano, adicionando recursos, como por exemplo o maquinário. Estabilizando o processo com uma produção em massa por meio de uma indução de linhas de montagem, introduzindo eletrônicos e automatização.
A Industria 4.0 foca na criação de uma representação digital,
como por exemplo, equipamentos de produção podem apresentar sinais prévios de que algo esta errado, ou que algo possa quebrar rapidamente. Esses sinais podem ser detectados por modelos predicativos que indicam as condições que uma operação esta ocorrendo.
Outro ponto a ser discutido no presente artigo é a redução do
ciclo de vida do projeto de determinado produto, na criação de um modelo temporal digital que integra a chave do processo para operacionar, manter e contruir o equipamento.
A aplicação do PdM esta diretamente ligada a respeito de
quanto crítico o equipamento está em sua operação. É utilizado em alguns casos, pelas empresas, o uso de modelos preditivos, estes que oferecem uma indicação precoce de quando surge uma anomalia potencial.
Ressalta-se que no presente artigo, os autores evidencias que
estes modelos preditivos são guiados por dados que utilizam de fluxos de dados fornecidos por diversas fontes em tempo real e off-line. Estes dados acima mencionados originam de Sistemas Computadorizados de Gerenciamento de Manutenção (CMMS) e estes dados que estão ligados as falhas são imprescindíveis para construir e testar os modelos preditivos.
Neste contexto de Indústria 4.0, a Cyberphysical System,
podem comunicar entre si, produzindo um processo ponta a ponta de forma autônoma. No artigo, evidenciou-se por meio de uma figura ilustrativa que a manutenção cognitiva é um Cyberphysical System, que associa um modelo preditivo com um sistema cognitivo, na qual pode indicar a gravidade da anomalia e consequentemente suas respectivas causas.
O presente artigo leva a uma reflexão de como a Indústria 4.0
revoluciona a maneira como se visualiza o funcionamento das máquinas e como se utiliza a manutenção preditiva em um cenário de mudanças como esta Indístria 4.0, envolvendo também as tecnologias presentes neste contexto.
Importante destacar também a utilização de Modelos ML
inseridos na PdM na qual percebeu-se que há um número significativo modelos diversos sendo indicados e aplicados neste ramo, contudo, é possível concluir que estes resultados da revisão sistemática da literatura, revelaram que mesmo utilizando de um algoritmo, este não é eficiente no sentido de ser apto a resolver os problemas presentes nas empresas. Ao longo da leitura do artigo, é possível concluir que o processo de manutenção se apressenta em etapas, como por exemplo a coleta de dados, com o objetivo de mensurar potenciais anomalias, apresentar diagnóstico e isolamento de falhas e a estimativa da vida útil remanescente.