Banner Big Rep

#39 – IoT – MWC

A IoT e a IA ao serviço da manutenção preditiva

/ / /

Os avanços recentes no domínio dos sensores IoT, da análise avançada de dados e da inteligência artificial prometem facilitar a previsão de falhas em equipamentos. 

 

A manutenção preditiva (PdM) consiste na recolha de dados sobre o estado das máquinas de modo a que os engenheiros possam prever eventuais interrupções ou avarias, tornando possível substituir os componentes defeituosos antes que estes provoquem danos.

Instituto Fraunhofer de Sistemas de Produção e Tecnologia de Design, em Berlim, tem-se debruçado sobre este conceito desde o início dos anos 90. No entanto, o Instituto deparou-se com diversos obstáculos técnicos, afirma Claudio Geisert, diretor adjunto da divisão de Gestão de máquinas e de linhas de produção.

Até à data, era muito difícil ter acesso a dados e implementar a comunicação máquina-máquina (M2M), bem como desenvolver algoritmos para efetuar previsões.

Atualmente, em consequência do desenvolvimento da microeletrónica de consumo, os sensores IoT estão mais baratos, mais pequenos e facilmente disponíveis. Em paralelo, as bibliotecas de Machine Learning em linguagens de programação modernas, como Python, facilitam e agilizam a criação de algoritmos preditivos.

A principal vantagem é o aumento do tempo de disponibilidade dos sistemas de produção e a capacidade de evitar paragens não planeadas.

Eckhard Hohwieler, diretor da divisão de Gestão de máquinas e de linhas de produção no Instituto Fraunhofer, diz que a PdM facilita o planeamento e a coordenação das operações de manutenção em sistemas de produção. Além disso, os dados da IoT podem ainda contribuir para introduzir melhorias na fase de conceção.

Quando os fabricantes de equipamentos fornecem informações sobre a utilização das máquinas, esses dados e perceções podem ser usados na conceção do produto e dar indicações sobre como otimizar a sua funcionalidade e robustez.

A manutenção preditiva ganha asas

Graças aos mais recentes avanços tecnológicos, a manutenção preditiva encontra-se sob as luzes da ribalta. O fabricante de elevadores ThyssenKrupp desenvolveu o sistema MAX, uma solução de Machine Learning potenciada pela tecnologia IoT que está agora presente em 110.000 elevadores em todo o mundo. Os dados da máquina, incluindo a abertura e o fecho das portas, o arranque, os trajetos, os pedidos de chamada e os códigos de erro são recolhidos a partir de sensores conectados em todo o mundo. Esses dados são introduzidos no software de análise em nuvem, que executa algoritmos únicos desenvolvidos pela ThyssenKrupp para detetar padrões indicativos de potenciais falhas. A empresa refere que um diagnóstico preciso e preditivo é entregue ao técnico em tempo real, indicando onde é necessário realizar a intervenção. Acrescenta, ainda, que esta abordagem aumenta substancialmente a disponibilidade dos elevadores, reduzindo o tempo de inatividade devido a avarias e utilizando diagnósticos em tempo real.

O sistema MAX antecipa problemas de manutenção, proporciona aos técnicos acesso ao diagnóstico e indica quais os componentes que precisam de ser substituídos antes mesmo de uma visita ao local.

Hyun-Shin Cho, diretor de operações digitais da ThyssenKrupp Elevator, afirma que o número de elevadores dotado deste sistema representa 10% da totalidade dos elevadores em funcionamento por cuja manutenção a empresa é responsável. A ThyssenKrupp tem integrado dispositivos de IoT em sistemas mais antigos, bem como em novas unidades, e desenvolveu igualmente o seu próprio sistema de Machine Learning em nuvem para realizar a análise de dados.

No entanto, para tirar o máximo partido do investimento, não basta recolher dados. As empresas devem analisá-los e integrá-los no processo de negócios, afirma Cho:

A manutenção preditiva representa apenas uma parte do que fazemos. Outra grande vantagem deste sistema é a deteção e resolução de problemas. Quando um elevador dotado deste sistema avaria, recebemos um sinal em tempo real. Essa informação é analisada e disponibilizada aos técnicos antes mesmo de estes chegarem ao local. Dantes, eles tinham de começar por procurar a avaria. Agora, a nossa tecnologia em nuvem permite-lhes chegar ao local da intervenção técnica já com o diagnóstico na mão.

A IA ao serviço da manutenção preditiva

Apesar dos avanços no domínio da manutenção preditiva, há desafios a superar. Os modelos preditivos podem necessitar de grandes quantidades de dados sobre o histórico do desempenho e do estado de um equipamento para serem devidamente treinados e, posteriormente, poderem efetuar previsões quanto ao bom funcionamento do mesmo. Também pode ser preciso tempo para analisar dados obtidos em tempo real, visando definir um cenário de referência para o desempenho. Para que a manutenção preditiva funcione como uma ferramenta efetiva, são necessários meses de análise de dados e investimento nos chamados “cientistas de dados”.

Para fazer face a estes desafios, a DataRPM Corporation recorre à inteligência artificial. A empresa de tecnologia cognitiva tem clientes nas indústrias do petróleo, do gás, dos semicondutores e do setor automóvel. Segundo a DataRPM Corporation, a sua plataforma, que assenta em ferramentas de processamento de grandes volumes de dados como a Hadoop e a Apache Spark, ajuda a automatizar etapas na ciência de dados com recurso ao Machine Learning a fim de identificar que modelos de dados serão mais eficazes. Esta abordagem de meta-aprendizagem aumenta a qualidade e a exatidão das previsões em cerca de 300% e requer apenas 3% do tempo e dos recursos para funcionar em pleno, em comparação com outras abordagens de desenvolvimento de modelos de dados.

Ruban Phukan, cofundador e diretor de produto da DataRPM, explica:

Usamos a meta-aprendizagem para automatizar algumas das tarefas na ciência de dados que requerem que os especialistas aprendam com experiências anteriores. Em seguida, transferimos esse conhecimento para que ele possa ser aplicado a domínios com exigências semelhantes.

A manutenção preditiva percorreu um longo caminho desde a década de 1990. À medida que os sensores IoT se tornam mais comuns e que a inteligência artificial evolui, uma coisa é fácil de prever: haverá cada vez mais empresas a apoiar-se na PdM de uma forma ou de outra.


About the Author

Related Posts

The adoption of additive manufacturing technology has accelerated in recent years thanks to...

The NASA probe’s arrival at Jupiter on Monday will improve our understanding of not just the solar...

Could the thinnest, strongest, lightest and most conductive material ever created spark a new...

Banner ABB Turbocharging

Style Switcher

Highlight Color:

               

Backgrounds:

                    

You can also set your own colors or background from the Admin Panel.