Escolar Documentos
Profissional Documentos
Cultura Documentos
RESUMO
A história da manutenção industrial como conhecemos advém basicamente da atividade de
identificar e retificar falhas, conhecida como manutenção corretiva. Com o passar dos anos
e a modernização de fábricas e processos, a prevenção a falhas se tornou o ponto principal.
Hoje, temos a predição como um dos principais métodos de manutenção para aumento de
vida útil e redução de custos de manutenção ao longo prazo. O estabelecimento de padrões
de falha e a estimativa (ou a probabilidade) de quando um sistema irá falhar é o futuro da
manutenção.
ABSTRACT
The history of industrial maintenance as we know it comes primarily from the activity of
identifying and rectifying faults, known as corrective maintenance. Over the years and the
modernization of factories and processes, the prevention of failures has become the main
point. Today, we have the prediction as one of the main maintenance methods to increase
life and reduce maintenance costs over the long term. The establishment of failure patterns
and the estimation (or probability) of when a system will fail is the future of maintenance.
Through this article, we will identify the main points of common interest of industrial
predictive maintenance with the modeling of databased maintenance systems, according to
the fundamentals of Data Science. We will also do a case study of how data analysis and
statistical modeling of measurement was important in determining availability, maintenance
planning and real-time monitoring of the conditions of a railway line in Sweden.
1. INTRODUÇÃO
Com a introdução da manutenção preditiva nas instalações brasileiras nas últimas décadas,
e métodos como manutenção centrada na confiabilidade, o foco vem mudando para a
antecipação de mudanças e o planejamento de manutenção bem à frente do tempo,
baseando-se nas medições e no histórico de manutenção e de falhas do equipamento.
Saber quando um equipamento deve ser reparado ou quando uma peça está chegando no
fim da vida implica incisivamente nos custos de manutenção pois não podemos parar o
equipamento muito cedo e nem podemos esperar a falha acontecer para o reparo
acontecer.
A Ciência dos Dados nos ajudará na criação de modelos que correlacionam todos os dados
gerados, detectando sinais falsos e desenvolvendo modelos de predição de falhas.
2. APRESENTAÇÃO DO CASO
2.1 MOTIVAÇÃO
A conectividade dos equipamentos e a quantidade de volume de dados gerados por eles
pedem uma adequação das antigas formas de manutenção para a realidade da indústria
nos próximos anos.
2.1 OBJETIVO
Além de fazer a ponte entre a Análise de Dados e Manutenção, com completa revisão
bibliográfica dos termos comuns e apresentação de eficácia, o artigo tem como objetivo
mostrar um estudo de caso real em que a análise de dados e a modelagem do sistema de
predição de falhas pode ajudar na redução dos custos, na disponibilidade e na
confiabilidade do sistema de manutenção de uma ferrovia na Suécia.
3
2.2 METODOLOGIA
A metodologia escolhida para o desenvolvimento do artigo foi estudo de caso, com base em
dados quantitativos reais. Dados foram coletados e serão devidamente referenciados ao
artigo original.
Este assunto pode ser abordado com esta metodologia pois servirá de exemplo e
embasamento para implementação de novos sistemas de predição baseados em análise de
dados.
2.3 CONCEITOS
2.3.1 MANUTENÇÃO PREDITIVA
Manutenção preditiva é a qual monitora-se diretamente a condição e desempenho de
parâmetros específicos de um equipamento em uso contínuo e normalizado na intenção de
diminuir as falhas. Tais parâmetros tem níveis de segurança e partir da medição, pode-se
estimar a vida útil da parte em questão ou equipamento por completo.
Sua principal intenção é reduzir custos a longo prazo com manutenções não-programadas e
preventivas desnecessárias. Geralmente é aplicada em equipamentos com alto grau de
importância dentro de um sistema produtivo e que o custo de uma parada de manutenção
se sobrepõe ao investimento em equipamentos de predição como câmeras infravermelhas,
equipamentos acústicos e de análise de vibração, entre outros.
O planejador de manutenção preditiva deverá sempre estar atento ao fato de não gerar
custos extras com medições em intervalos inadequados (longos demais ou curtos demais).
Isto pode acontecer quando o equipamento passa pelos momentos críticos de sua vida útil
(Figura 1): ao ser recém instalado e quando começa a apresentar final de vida útil.
Um bom programa de manutenção preditiva demora tempo a ser implementado pois além
de treinamento de uso adequado dos equipamentos, a filosofia de melhoria continua deve
estar atrelada ao planejamento da manutenção pois a equipe deverá manter um padrão de
medição coeso e sem variações para que os dados sejam os mais próximos do real possível
4
e que o modelo possa prever com exatidão as falhas a ocorrer. Apesar disto, a manutenção
preditiva mostra deficiência em prever variações determinísticas e não-determinísticas no
processo.
A informação gerada por esses dados é de extrema importância para a gestão de ativos e a
manutenção na tomada de decisão. KPI’s nas áreas de Confiabilidade, Disponibilidade,
Mantenabilidade e Segurança (RAMS, em inglês) e em custo do ciclo de vida (LCC) são
parâmetros utilizados para efetivamente tomar decisões benéficas tanto a empresa quanto a
manutenção (Figura 3).
DATA SCIENCE
São definidos como Cientistas de Dados os que “combinam matemática, computação,
programação e capacidade analítica para supor hipóteses, definir padrões, organizar e
demonstrar dados de forma eficiente” (Joseph, 2018).
6
ENGENHARIA DE DADOS:
Dentro do contexto de Dados, temos que sempre considerar os 4 V’s (Joseph,2018):
Volume
Variedade
Velocidade
Veracidade
Volume lida diretamente com a quantidade de dados disponível para análise, sendo que na
maioria dos casos quanto maior o volume, melhor será a representação do modelo final.
Variedade refere-se as diferentes formas nas quais os dados são gerados na fonte. Dados
podem adquirir forma de texto, planilhas, vídeos, imagens, logs, etc. Quanto mais diverso,
mais complexo será o processo de agrupamento.
Velocidade lida quanto a rapidez na qual os dados são gerados. Podem existir dados que
são gerados constantemente, como web stream, e também de forma intermitente.
Veracidade tratará do valor que cada ponto de dado poderá trazer para dentro da
modelagem. Temos que selecionar bem pois poderá ocorrer uma inundação de dados
7
DESCOBRINDO OS DADOS:
Existe duas formas de como agrupar e analisar os dados: perspectiva do negócio ou
perspectiva estatística (Figura 5).
O modo do negócio lida com a relação entre as variáveis do problema dentro do escopo da
empresa já o modo estatístico olhará para como os dados em mãos se comportam em
questão a sua distribuição, formas, normalidade, etc.
MODELAGEM E VALOR:
Utilizando software adequado, o Engenheiro poderá dispor de diversos modelos conhecidos
(Regressão Linear, Naive-Bayes, Weibull, ...) para expor os dados na forma de um modelo
de previsão da variável em questão.
O valor que pode trazer o modelo para a manutenção é exatamente uma predição de falha,
de vida útil, de qualidade de lote, de qualidade de tratamento e entre outras variáveis de
resposta (Figura 6).
3. APRESENTAÇÃO DO CASO
Operada pela Trafikvertek, a operação e manutenção da infraestrutura de ferrovias da
Suécia é a parte mais importante de um grande sistema de transporte e seus consequentes
subsistemas, pois uma eventual paralização gerará, além de custos, grande insatisfação dos
usuários (Ben-Daya, Kumar e Murthy, 2016).
No artigo publicado por Ravdeep Kour, Phillip Tretten e Ramin Karim, dados são coletados
em trens e trilhos e enviados à nuvem de eMaintanance para análise e visualização. O
estudo foca em uma solução baseada na internet para criar modelos de predição de falhas
para as rodas do trem, através de uma análise de forças atuantes nos trilhos, e do perfil de
rodagem de cada roda do trem (Figura 7)
9
No sistema descrito, dados são recolhidos por um leitor de rádio frequência (RFID) e
enviado ao computador de campo, onde será transformado em um arquivo .xlm para leitura
em planilha e então será enviado para nuvem através da internet.
Uma vez dentro da nuvem, passará pelo programa de eMaintenance, sendo fundido e
compilado de forma a fornecer uma visualização de valor em formas de gráficos, tabelas e
planilhas que vão ser programadas para cada interface desejada, como aplicativos para
celular.
A primeira fonte de dados é o perfil de uso das rodas, com medição de espessura do flange,
altura do flange, espessura do aro, curva do flange, diâmetro e outros. A segunda fonte de
dados inclui dados de força dos trilhos, como forças laterais e verticais, carregamento
normal, ângulo de ataque, etc.
Cada trem deverá ter sua tag de identificação por RFID e o responsável pela medição
deverá então, através de um leitor de rádio, identificar o trem e fazer as leituras dos dados
coletados pelos sensores espalhados (Figura 9). Esses dados serão enviados a um
computador de campo, que os enviará para a nuvem de manutenção, ou eMaintenance.
Figura 9 – Perfil de desgaste de rodas novas e usadas – Sh: altura do flange; Sd: espessura
do flange; qR: ângulo do flange; Th: desgaste da rosca.
Fonte: Kour, Tretten, Karim, 2014
O algoritmo que indica, através dos dados coletados e conhecimento prévio da via férrea e
manutenção em geral, quando deverá ocorrer a próxima falha e qual dos ativos está mais
sujeito a essa possibilidade é de segredo da empresa que desenvolveu o sistema pois se
trata do cérebro do programa.
A visualização dos dados de forma interativa e de fácil reconhecimento foi feita através da
.NET e SQL Server 2012, focando os resultados em gráficos e tabelas. Quando uma roda se
aproxima do limite de desgaste, o programa emite um alerta ao operador para que a tomada
de decisão sobre manutenção seja tomada.
Dentro do sistema, podemos escolher qual trem será analisado, qual perfil da roda será
mostrado, qual período do ano ou de anos é desejado analisar, quantos rodas entraram ou
vão entrar em limite de manutenção, quais forças atuantes, e outras muitas funcionalidades
que serão mostradas nas figuras abaixo (Figuras 10, 11 e 12).
Figura 10 – Gráfico que mostra o número de rodas que passaram do limite de desgaste
dentro do período determinado
Fonte: Kour, Tretten, Karim, 2014
12
4. CONCLUSÃO
A plataforma visual baseada na internet para auxiliar a tomada de decisão nos ativos
ferroviários da Trafikvertek resultou em melhores paradas de manutenção programadas,
visualização de falsos alarmes e a criação de perfis de manutenção.
O próximo passo dentro do sistema é agrupar os dados prévios de manutenção aos dados
compilados pela nuvem de eMaintenance para que possa ser gerado um modelo de
predição de falhas completo, com previsão de vida útil de seus subsistemas e determinação
de falsos alarmes e planejamento da manutenção de forma adequada.
5. REFERÊNCIAS
RENAUD, David. PREDICTIVE MAINTENANCE: The magic of Data science. 2016. 1-2 p.
Artigo (Pós-Graduação em Eng. de Manutenção)- MULTIVIX, Vitória, 2019. Disponível em:
<https://www.assystemtechnologies.com/files/documents/Documents/rp-data-science-et-
maintenance-predictive_1522841687.pdf>. Acesso em: 15 jan. 2019.
JOSEPH, Thomas. Mind of the Data Scientist – Part I and Part II. 2018. Disponível em:
<https://bayesianquest.com/2016/09/04/mind-of-the-data-scientist-part-i/
https://bayesianquest.com/2016/09/04/mind-of-the-data-scientist-part-ii/>. Acesso em: 15 jan.
2019.
KARIM, Ramim et al. Maintenance Analytics: The New Know in Maintenance. 2016. 1-6
p. Artigo (Pós-Graduação em Eng. de Manutenção)- MULTIVIX, [S.l.], 2019. Disponível em:
<https://www.sciencedirect.com/science/article/pii/S2405896316324612>. Acesso em: 24
jan. 2019.