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 aproveitandoIoT 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 certasIoT 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 IIoT 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.