Existe uma interface homem-máquina para manutenção preditiva?

Hoje, empresas de muitas indústrias pesadas, como manufatura, geração de energia, petróleo e gás, energias renováveis, metais, produtos químicos e mineração, estão aplicando técnicas de manutenção preditiva (PdM) às suas operações globais multimilionárias para reduzir os custos e o tempo de inatividade associados a falha crítica inesperada e danos à máquina.

Em muitos aspectos, a relação médico-paciente é uma boa analogia à relação técnico-máquina em termos de tentativa de compreender o significado de uma condição observada. Imagine que a temperatura corporal de um paciente esteja acima do normal. Isto pode ser causado por várias coisas – algumas normais (por exemplo, exercício extenuante) e outras que indicam doença (por exemplo, febre) que deve ser tratada.

Uma vez identificada a temperatura corporal mais elevada, faz sentido analisar fatores adicionais para chegar a um prognóstico claro. Nesse caso, a temperatura corporal é o que chamo de um bom “sinal condutor” no caso de monitoramento do corpo humano. Os sinais iniciais também são uma boa solução para PdM em máquinas industriais, mas antes de chegarmos a isso, vamos dar um passo atrás e analisar o problema em termos de 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 enormes investimentos projetados em sistemas ciberfísicos, computação em nuvem e Internet das Coisas. Hoje, a procura global por sistemas de automação industrial está a aumentar à medida que as empresas de produção procuram formas de reduzir os custos de produção e, ao mesmo tempo, melhorar a qualidade. Esta procura também está a alimentar grandes investimentos em software de automação industrial e, especificamente, em análises preditivas baseadas em IA, um mercado que atingirá $ até 2021, de acordo com a Research and Markets .

No entanto, em muitos casos, a Manutenção Preditiva, que decorre da análise preditiva, ainda é realizada periodicamente por técnicos que vão de máquina em máquina e coletam amostras manuais das condições. Por exemplo, um técnico pode fazer leituras de vibração em uma máquina para detectar deterioração nas condições dos rolamentos. Este método ainda é melhor do que o antigo estilo de manutenção preventiva, mas tal como a própria automação industrial está a evoluir, estão a surgir novos avanços na análise preditiva e na aprendizagem profunda, onde os dados são continuamente recolhidos e analisados ​​em tempo real. Embora o PdM totalmente automatizado pareça ideal em termos de eficiência, este cenário apresenta seus próprios desafios.

Desafios e obstáculos com Manutenção Preditiva automatizada

As empresas que adotam a Manutenção Preditiva automatizada estão aproveitando soluções de I IoT que registram grandes quantidades de dados e aplicam métodos de limite ou aprendizado de máquina para identificar anomalias. O desafio aqui é que, uma vez que estes sistemas de recolha de dados são implementados em escala, há um tsunami de dados resultante que torna difícil a tarefa de encontrar insights acionáveis ​​para uma PdM significativa. Este é o problema inerente a todas as situações em que o “big data” prevalece. A IA está sendo cada vez mais usada para resolver o problema do big data, mas mesmo esses algoritmos de aprendizagem de IA dependem do contexto e da orientação para produzir insights significativos.

Quando anomalias são detectadas por meio de Manutenção Preditiva automatizada – mesmo quando aumentada com certas soluções de I IoT que empregam aprendizado de máquina, ainda é difícil entender a causa e o significado da anomalia porque as amostras não foram coletadas por um especialista. A detecção de anomalias com as técnicas tradicionais de monitoramento manual da condição realmente ajudou o técnico a chegar a um prognóstico específico. As IoT visam melhorar o fluxo de comunicação entre máquinas e profissionais. Porém, com o PdM automatizado, uma parte da relação íntima entre o técnico e a máquina é quebrada, o que torna muito difícil a compreensão das anomalias detectadas remotamente.

“Sinais de liderança” como uma solução viável

Uma solução proposta para esses desafios que não reverte para o diagnóstico manual e que colhe os benefícios da automação é focar em um número limitado de “sinais principais” enquanto procura anomalias que signifiquem problemas com a condição da máquina. O objetivo dos sinais principais é olhar primeiro para o quadro geral, com sinais claros que possamos compreender facilmente e nos alertar de que algo não está certo. Por outro lado, se tentarmos ingerir todos os dados disponíveis de uma só vez, afogamo-nos num mar de alertas falsos positivos sobre anomalias menores que não necessitam de atenção.

Depois que uma anomalia é identificada com um sinal principal e é facilmente compreendida como uma anomalia significativa, insights e dados adicionais podem ser analisados ​​a partir de outros sinais coletados para facilitar diagnósticos remotos e processos de causa raiz.

Os sinais principais são melhores quando são algo que os humanos entendem facilmente e acionam instantaneamente nossa intuição (como a temperatura corporal de um paciente). Quando estes sinais são humanamente relacionáveis ​​através de sentidos como a audição, a visão ou o tato, o processo de validação do significado das anomalias é muito mais fácil e rápido para os humanos que já enfrentam sobrecarga cognitiva com informações de sistemas automatizados.

O papel do som no PdM automatizado

Para máquinas industriais PdM, existem muitos tipos de sinais principais que os humanos podem entender facilmente. Novamente, o PdM até o momento tem sido baseado principalmente em contato (passando de máquina em máquina com um sensor) e detecta anomalias com sinais importantes como vibração, temperatura e consumo de energia. A vibração, por exemplo, é um bom sinal de liderança, porém no caso do PdM automatizado, é muito mais dependente da localização do sensor, portanto, para cobrir totalmente uma máquina grande e complexa, serão necessários vários sensores. Isto, por sua vez, contribui para o problema do dilúvio de dados.

No caso da máquina PdM, o som é um excelente sinal de liderança para identificar anomalias porque é de fácil compreensão para os humanos – mesmo que não estejam fisicamente perto da máquina. Uma anomalia no som pode ser localizada em 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 principal para PdM automatizado permite a detecção e classificação de uma ampla gama de fenômenos mecânicos, muitas vezes mais cedo do que outros métodos de detecção. Isto se deve ao simples fato de que as partes móveis – sejam elas sólidas, líquidas ou gasosas – produzem um padrão sonoro único, e quando algo nesse movimento muda, mesmo que ligeiramente, o som produzido também muda. Tomemos, por exemplo, um rolamento mecânico sujeito a tensões dinâmicas extremas. Quando a primeira rachadura aparecer, o rolamento produzirá um padrão ultrassônico exclusivo que indica o problema que está por vir.

Conclusão

À medida que novas tecnologias chegam ao mercado, o PdM automatizado continuará a evoluir. Mas os desafios de colher insights a partir de dados e manter humanos e máquinas conectados para obter os melhores diagnósticos nunca mudarão. Tal como acontece com todos os problemas de big data, focar em pequenas quantidades de dados compreensíveis e depois ampliar o escopo da análise a partir daí é a melhor solução. Começar com sinais principais – aqueles que os humanos reconhecem instantaneamente – é a chave para otimizar o PdM automatizado, e o som é um sinal lógico que ajuda a enfrentar esses desafios de maneiras significativas e mensuráveis.

Este artigo foi publicado originalmente 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 disruptivos. Amnon é atualmente CEO e cofundador da 3DSignals , uma empresa pioneira na aplicação de manutenção preditiva baseada em som para equipamentos industriais e de manufatura.