1

E-MAINTENANCE: COMO REDUZIR CUSTOS DE PREDIÇÃO, AUMENTAR

DISPONIBILIDADE E CONFIABILIDADE DE ATIVOS COM UM MODELO DE
MANUTENÇÃO EM NUVEM – ESTUDO DE CASO

Igor Colodetti Caus¹; Ricardo Sodré, MSc, PMP, CRP².

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.

Através deste artigo, vamos identificar os principais pontos de interesse em comum da

manutenção preditiva industrial com a modelagem de sistemas de manutenção baseado em
dados, de acordo com fundamentos da Ciência de Dados. Também faremos um estudo de
caso de como a análise de dados e modelagem estatística da medição foi importante na
determinação da disponibilidade, no planejamento da manutenção e no monitoramento em
tempo real das condições de uma linha férrea na Suécia.

Palavras-chave: Manutenção; Predição; Analise de Dados; Ciência de Dados.

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.

Key Words: Maintenance; Prediction; Data analysis; Data Science.

1. Engenheiro Mecânico - UFES e discente do curso de pós-graduação em Engenharia de Manutenção da

Faculdade Brasileira – Multivix
2. Mestre em Fadiga e Mecânica de Fratura – UFOP; Pós Graduado em Administração – FUCAPE; Materiais –
UFOP e Manutenção – UFES;
Engenheiro Mecânico - UFMG e Docente do Curso de Pós-Graduação em Engenharia Manutenção na
Faculdade Brasileira – MULTIVIX
 2

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.

Na manutenção preditiva, onde temos um acompanhamento de parâmetros chave do

equipamento para sinais de falha, existem inúmeros métodos de avaliação não-destrutivos
como medição de vibração, termografia e acústica. O problema é que esses dados sozinhos
não podem nos informar ou informam de forma inadequada, por exemplo, qual seria a
expectativa de vida útil restante.

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.

Com o aumento da conectividade dos equipamentos e a difusão do IoT (Internet of Things),

grandes empresas possuem uma infinidade de dados gerados. Mas esses dados ainda
precisam ser tratados, modelados e de forma amigável, descritos em forma de gráficos e
tabelas onde podem representar informações importantes para a manutenção: quanto
tempo o equipamento aguentará antes da próxima troca, qual o risco de falha e quais custos
implicariam cada cenário.

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.

Torna-se indispensável para empresas de grande porte e com grande volume de

equipamentos a sua integração aos modelos de predição por análise de dados, visto que a
tendência de modernização da planta industrial brasileira é grande, tendo em vista o
aumento da confiabilidade de seus sistemas produtivos e da redução com custos de
manutenção e perdas produtivas.

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.

Quando existe um modelo de falhas e comportamento bem definido, é um ótimo modelo de

manutenção pois poderá prever com boa exatidão a probabilidade de falha de um
componente.

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.

Figura 1 – Demonstrativo de curva da banheira: da infância ao desgaste.

Fonte: Cyrino, 2018.

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.

Uma medição fora do padrão de SOP (Standard Operation Procedure), um equipamento

com calibração vencida ou alterada, hora do dia, período do ano, mudanças climáticas são
fatores que chamamos de determinísticos, isto é, que causam uma alteração na medição
por alteração de grandeza física, podendo gerar um alarme falso ao técnico de predição.

Quando um equipamento demonstra na medição um valor alterado e de valor incompatível

com outras medidas, e observando-se e mantendo-se os padrões de medição, podemos
considera-lo um outlier (fora-de-padrão). Isto pode ser indicativo de uma falta de controle
estatístico do processo e poderá dificultar a programação de manutenção ao técnico
planejador. O controle estatístico de processo (CEP) faz parte da rotina do controlador de
processo e dados inferentes a medição de predição são muito importantes para
determinação dos intervalos de medição.

Figura 2 – Exemplo de variação fora dos limites de segurança da medição.

Fonte: Visual Management Group, 2019.

2.3.2 MAINTENANCE ANALYTICS E DATA SCIENCE

MAINTENANCE ANALYTICS
A provisão da informação certa para o cliente certo com a qualidade certa e no tempo certo
é essencial (Parida, 2006). Tomada de decisão em manutenção deve ser baseada em
dados concretos, em tempo real, para que as ações apropriadas sejam tomadas.

O aumento contínuo do desenvolvimento tecnológico da indústria nos provêm de uma

enorme quantidade de dados que devem ser coletados, trabalhados, organizados e
agrupados de forma a fazer senso e criar expectativas de resultados para o cliente. Pode-se
referir a esse fenômeno como “Big Data Industrial”.

Além da coleta de dados e informação, o novo desafio da “eMaintenance” é entender os

padrões e relações entre os dados coletados. Um novo conceito para descobrimento de
conhecimento com foco em Big Data e analise é chamado de Analítica de Manutenção ou
“Maintenance Analytics” (MA) (Karim, 2016).
 5

MA pode ser dividido em 4 fatores relacionados com tempo (Karim, 2016):

 “Analise Descritiva da Manutenção (monitoramento) ”: cria um banco de dados de
acontecimentos em manutenção anterior;
 “Analise de Diagnóstico da Manutenção”: foca na causa-raiz do problema;
 “Analise Preditiva da Manutenção”: estima o que irá acontecer no futuro através de
medições;
 “Analise Prescritiva da Manutenção”: toma previdência sobre o que deverá ser feito no
futuro.

Dados relevantes ao gerenciamento de ativos e a manutenção são comumente coletados,

produzidos e processados por times de TI diferentes, o que pode afetar na rapidez em que
os dados são processados pois cada software poderá gerar os dados em formas diferentes,
dificultando os processos de seleção e agrupamento.

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).

Figura 3 – Processo de descobrimento de dados e análise para geração de KPI’s.

Fonte: Karim, 2016.

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

Figura 4 – Pensamento sequencial de um cientista de dados.

Fonte: Joseph, 2018.
DESCOBRINDO O NEGÓCIO:
Esta é a fase preliminar do ciclo de vida do projeto de análise de dados, no qual o
profissional irá, em conjunto com o cliente, definir qual o valor a ser atingido, ou seja, qual a
variável que eu quero controlar, definida como “variável de resposta”.

Ex.: Um produtor de laranjas decide contratar um Engenheiro de Dados para ajudá-lo a

melhorar o rendimento de produção de seu pomar. O Engenheiro pode supor que: Volume
de irrigação e incidência solar são fatores que influenciam na produção. Mas a variedade da
fruta, a fertilização e o tratamento com agrotóxicos também influenciam diretamente, apesar
de não conterem dados quantitativos. Cabe o Engenheiro agora, no próximo passo do
processo, criar as hipóteses de como os fatores, interligados ou não, influenciam no
rendimento do pomar.

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

incoerentes ou dados de interferência, influenciando diretamente na modelagem do

problema real.

DESCOBRINDO OS DADOS:
Existe duas formas de como agrupar e analisar os dados: perspectiva do negócio ou
perspectiva estatística (Figura 5).

Figura 5 – Esquemática do tratamento dos dados.

Fonte: Joseph, 2018.

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).

Figura 6 – Ciclo de vida de um projeto de análise de dados.

Fonte: Joseph, 2018.
 8

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).

Existem pontos de medição em vários equipamentos do sistema, como intersecções,

semáforos, chaves de mudança, trilhos e nos trens existem vários subsistemas como:
motores, transmissão, emissão de poluentes, desgaste das rodas, conexões entre os
vagões, entre outros.

Cada equipamento de medição pode gerar os dados de uma forma discreta e o

agrupamento, processamento e leitura desses dados que é o grande desafio deste estudo e
da equipe de gerenciamento do sistema de tráfego. Surge então a necessidade de se criar
um sistema de eMaintenance em nuvem inferente a todos esses dados.

O processo de aquisição de informação de manutenção segue 4 passos (Karim, 2016),

como exemplificado na figura 4 deste artigo:
 Aquisição de dados
 Transmissão de dados
 Fusão de dados
 Análise de dados
 Visualização de valor

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

Figura 7 – Esquemática de funcionamento do sistema de aquisição, fusão, tratamento e

visualização dos dados
Fonte: (Kour, Tretten, Karim, 2014)

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.

O processo de análise de dados consiste em inspecionar, selecionar, transformar e modelar

dados com o objetivo de suportar a equipe responsável a tomar as decisões corretas com
base em informações úteis e modelos de predição.

A metodologia de pesquisa adotada foi de coletar dados, integração de dados, análise de

dados e visualização de dados, em formato amigável aos acionistas e tomadores de decisão
(Figura 8).
 10

Figura 8 – Sequencial de tomada de decisão em manutenção da ferrovia.

Fonte: Kour, Tretten, Karim, 2014

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 estudo de caso baseou-se em algoritmos de interface na internet para agrupar, selecionar

e analisar os dados de entrada das duas fontes na nuvem de eMaintenance. Foi de suma
importância o armazenamento na internet pois a análise de tempo real dos fatores pode
ajudar na tomada de decisão em manutenção dos ativos descritos no problema.
 11

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

Figura 11 – Gráfico de dados sobre o perfil de rodagem e forças atuantes

Fonte: Kour, Tretten, Karim, 2014
 13

Figura 12 – Parâmetros de perfil de roda: a) Altura de flange; b) Espessura de flange; c)

Ângulo e d) Desgaste de rosca e seus limites de segurança dentro do período de um ano.
Fonte: Kour, Tretten, Karim, 2014
 14

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.

Na solução proposta, a utilização de pontos de medição externos interligados a nuvem de

eMaintenance e fornecendo dados reais e em tempo real à rede de informação pode
proporcionar um conjunto de ações economicamente eficientes para os ativos da linha
férrea. A análise do desgaste das rodas e seu limite de rodagem, sendo visualizado em
forma de gráficos e tabelas, pode proporcionar paradas de manutenção programadas
efetivas, diminuindo custos e tempo de ociosidade dos ativos. Além disto, a medição das
forças atuantes nos trilhos ajudou a criar um modelo de predição de falhas baseado em
histórico de condição do trilho.

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.

A Trafikvertek seguiu o rumo que é esperado à manutenção industrial de hoje: digitalização,

integração e análise de grandes volumes de dados e a tomada de decisão baseada no
agrupamento, detalhamento e interface visual destes dados aos stackholders e gestores.
 15

5. REFERÊNCIAS

KOUR, Ravdeep; TRETTEN, Phillip; KARIM, Ramin. EMaintenance solution

throughonline data analysis for railwaymaintenance decision-making. 2014. 1-15 p.
Artigo (Pós-Graduação em Eng. de Manutenção)- MULTIVIX, Vitória, 2019. Disponível em:
<https://www.researchgate.net/publication/265732915_EMaintenance_solution_through_onli
ne_data_analysis_for_railway_maintenance_decision-making>. Acesso em: 24 jan. 2019.

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.

VISUAL MANAGEMENT GROUP. Grupo. Statistical Process Control. 2019. Disponível

em: <http://www.visualmanagementgroup.com/statistical-process-control/>. Acesso em: 15
jan. 2019.

CYRINO, Luis. Curva da Banheira. 2017. Disponível em:

<https://www.manutencaoemfoco.com.br/curva-da-banheira/>. 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.

PARIDA, A. Maintenance performance measurement system: Application of ICT and e-

Maintenance Concepts. 2006. 30-34. Artigo (Pós-Graduação em Eng. de Manutenção)-
MULTIVIX, [S.l.], 2019. Disponível em: International journal of COMADEM

BEN-DAYA, Mohammed; KUMAR, Uday; MURTHY, D. N. Prabhakar. Introduction to

Maintenance Engineering: Modeling, Optimization, and Management. 2016. Artigo (Pós-
Graduação em Eng. de Manutenção)- MULTIVIX, Vitória, 2019. Disponível em: Copyright ©
2016 John Wiley & Sons, Ltd. Acesso em: 24 jan. 2019.