Existe uma interface homem-máquina para manutenção preditiva?
Atualmente, empresas em diversos setores industriais, como manufatura, geração de energia, petróleo e gás, energias renováveis, metais, produtos químicos e mineração, estão aplicando técnicas de manutenção preditiva (PdM) em suas operações globais multimilionárias para reduzir os custos e o tempo de inatividade associados a falhas e danos inesperados em máquinas críticas.
Em muitos aspectos, a relação médico-paciente é uma boa analogia à relação técnico-máquina no que diz respeito à tentativa de compreender o significado de uma condição observada. Imagine que a temperatura corporal de um paciente esteja mais alta que o normal. Isso pode ser causado por diversos fatores – alguns normais (como exercício físico intenso) e outros que indicam doença (como febre) e que devem ser tratados.
Uma vez identificada a temperatura corporal elevada, faz sentido analisar outros fatores para chegar a um prognóstico preciso. Nesse caso, a temperatura corporal é o que eu chamo de um bom "sinal preditivo" no monitoramento do corpo humano. Sinais preditivos também são uma boa solução para a manutenção preditiva em máquinas industriais, mas antes de chegarmos a isso, vamos analisar o problema em contexto.
Indústria 4.0 e a evolução da Manutenção Preditiva
A Indústria 4.0, ou o que tem sido chamado de "fábrica inteligente", está começando a amadurecer com investimentos maciços projetados em sistemas ciberfísicos, computação em nuvem e Internet das Coisas. Hoje, a demanda global por sistemas de automação industrial está em ascensão, à medida que as empresas manufatureiras buscam maneiras de reduzir os custos de produção e, ao mesmo tempo, melhorar a qualidade. Essa demanda também está impulsionando grandes investimentos em software de automação industrial e, especificamente, em análises preditivas baseadas em inteligência artificial, um mercado que deverá atingir $ 18,5 bilhões até 2021, segundo a Research and Markets .
No entanto, em muitos casos, a Manutenção Preditiva, que deriva da análise preditiva, ainda é realizada periodicamente por técnicos que vão de máquina em máquina e coletam amostras manuais de suas condições. Por exemplo, um técnico pode medir a vibração de uma máquina para detectar a deterioração dos rolamentos. Esse método ainda é melhor do que o antigo modelo de manutenção preventiva, mas, assim como a própria automação industrial está evoluindo, novos avanços em análise preditiva e aprendizado profundo estão surgindo, permitindo a coleta e análise contínua de dados em tempo real. Embora a Manutenção Preditiva totalmente automatizada pareça ideal em termos de eficiência, esse cenário não está isento de desafios.
Desafios e obstáculos da manutenção preditiva automatizada
Empresas que adotam a Manutenção Preditiva automatizada estão aproveitando IoT que registram grandes quantidades de dados e aplicam métodos de limiarização ou machine learning para identificar anomalias. O desafio reside no fato de que, uma vez implementados em larga escala, esses sistemas de coleta de dados geram um tsunami de informações que dificulta a obtenção de insights acionáveis para uma Manutenção Preditiva eficaz. Esse é o problema inerente a todas as situações em que o "big data" é predominante. A Inteligência Artificial (IA) tem sido cada vez mais utilizada para solucionar o problema do big data, mas mesmo algoritmos de aprendizado de máquina dependem de contexto e orientação para produzir insights relevantes.
Quando anomalias são detectadas por meio da Manutenção Preditiva automatizada – mesmo quando aprimorada com certas IoT que empregam machine learning – ainda é difícil entender a causa e o significado da anomalia, pois as amostras não foram coletadas por um especialista. A detecção de anomalias com as técnicas tradicionais de monitoramento manual de condição, de fato, auxiliava o técnico a chegar a um prognóstico específico. IoT visam aprimorar o fluxo de comunicação entre máquinas e profissionais. No entanto, com a Manutenção Preditiva automatizada, parte da relação íntima entre o técnico e a máquina é interrompida, o que torna a compreensão das anomalias detectadas remotamente muito difícil.
“Sinais de liderança” como uma solução viável
Uma solução proposta para esses desafios, que não recorre a diagnósticos manuais e que aproveita os benefícios da automação, é focar em um número limitado de "sinais indicadores" enquanto se busca por anomalias que apontem problemas com o funcionamento da máquina. O objetivo dos sinais indicadores é primeiro ter uma visão geral, com sinais claros e fáceis de entender que nos alertam sobre algo errado. Por outro lado, se tentarmos absorver todos os dados disponíveis de uma só vez, corremos o risco de nos afogarmos em falsos positivos sobre anomalias menores que não exigem atenção.
Uma vez que uma anomalia é identificada por meio de um sinal principal e é facilmente compreendida como uma anomalia significativa, informações e dados adicionais podem ser analisados a partir de outros sinais coletados para facilitar o diagnóstico remoto e a identificação da causa raiz.
Os sinais iniciais são mais eficazes quando são facilmente compreendidos pelos humanos e despertam instantaneamente nossa intuição (como a temperatura corporal de um paciente). Quando esses sinais são relevantes para os sentidos, como audição, visão ou tato, o processo de validação da importância das anomalias torna-se muito mais fácil e rápido para os humanos, que já enfrentam sobrecarga cognitiva com informações provenientes de sistemas automatizados.
O papel do som na manutenção preditiva automatizada
Para a manutenção preditiva (PdM) de máquinas industriais, existem muitos tipos de sinais indicadores que os humanos podem facilmente interpretar. Até o momento, a PdM tem sido baseada principalmente no contato (movimento de sensor em sensor, de máquina para máquina) e detecta anomalias com base em sinais indicadores como vibração, temperatura e consumo de energia. A vibração, por exemplo, é um bom sinal indicador; no entanto, no caso da PdM automatizada, ela depende muito mais da localização do sensor, de modo que, para cobrir completamente uma máquina grande e complexa, vários sensores são necessários. Isso, por sua vez, contribui para o problema do excesso de dados.
No caso da manutenção preditiva de máquinas, o som é um excelente sinal indicador para identificar anomalias, pois é facilmente compreendido por humanos, mesmo que não estejam fisicamente próximos da máquina. Uma anomalia no som pode ser localizada até sua origem após ser identificada. Portanto, a cobertura da máquina é muito melhor, mesmo com um único sensor, e o sinal representa a condição normal ou anormal de toda a máquina.
O som como sinal indicador para a manutenção preditiva automatizada permite a detecção e classificação de uma ampla gama de fenômenos mecânicos, muitas vezes mais cedo do que outros métodos de sensoriamento. Isso se deve ao simples fato de que partes em movimento – sejam sólidas, líquidas ou gasosas – produzem um padrão sonoro único e, quando algo nesse movimento muda, mesmo que ligeiramente, o som produzido também muda. Considere, por exemplo, um rolamento mecânico submetido a estresse dinâmico extremo. Quando a primeira fissura aparece, o rolamento produz um padrão ultrassônico único que indica o problema iminente.
Conclusão
Com o surgimento de novas tecnologias no mercado, a manutenção preditiva automatizada continuará a evoluir. No entanto, os desafios de extrair insights dos dados e manter humanos e máquinas conectados para obter os melhores diagnósticos jamais mudarão. Como em todos os problemas de big data, concentrar-se em pequenas quantidades de dados compreensíveis e, a partir daí, ampliar o escopo da análise é a melhor solução. Começar com sinais preditivos — aqueles que os humanos reconhecem instantaneamente — é a chave para otimizar a manutenção preditiva automatizada, e o som é um sinal lógico que ajuda a enfrentar esses desafios de maneira significativa e mensurável.
Este artigo foi originalmente publicado no I IoT World e escrito por Amnon Shenfeld , engenheiro de software por formação e desenvolvedor de software experiente e prático, apaixonado pela criação de aplicativos de software inovadores. Amnon é atualmente CEO e cofundador da 3DSignals , empresa pioneira na aplicação de manutenção preditiva baseada em som para equipamentos industriais e de manufatura.
