Aumentando a confiabilidade e melhorando os resultados da manutenção com aprendizado de máquina

Mike Brooks da AspenTech
Há uma necessidade significativa de realizar a prevenção de falhas usando verdades baseadas em dados em vez de estimativas. A combinação de avarias induzidas por processo e mecânica custa até 10% de um mercado mundial de fabricação de $ 1,4 trilhão de acordo com um relatório de 2012 do The McKinsey Global Institute .

Embora as empresas tenham gasto milhões tentando resolver esse problema e, em última análise, evitar o tempo de inatividade não planejado, até agora, elas só conseguiam lidar com o desgaste e as falhas com base na idade. As técnicas atuais não podem detectar problemas com antecedência e carecem de percepção das razões por trás das falhas aparentemente aleatórias que causam mais de 80% do tempo de inatividade não planejado. É aqui que o uso de software de aprendizado de máquina para lançar uma “rede mais ampla” em torno das máquinas pode capturar as falhas induzidas pelo processo.

Para evitar o tempo de inatividade não planejado, as empresas devem identificar e responder com eficácia aos primeiros indicadores de falhas iminentes. As práticas de manutenção tradicionais não prevêem falhas causadas por excursões de processo, diz Mike Brooks, consultor de negócios sênior, AspenTech e o ex- Mtell presidente e diretor de operações.

Isso exigiria uma abordagem de tecnologia única combinando máquinas e processos; particularmente para indústrias com uso intensivo de ativos, como manufatura e transporte. Com a tecnologia certa instalada, as organizações podem sentir os padrões de degradação iminente, com aviso suficiente para evitar falhas e alterar os resultados.

Previsão de tempo de inatividade com software de aprendizado de máquina

O software de aprendizado de máquina avançado já demonstrou sucessos incríveis na identificação precoce de falhas de equipamentos. Esse software é quase autônomo e aprende padrões de comportamento a partir dos fluxos de dados digitais que são produzidos por sensores nas máquinas e processos e ao redor dela.

Automaticamente, e exigindo recursos mínimos, esta tecnologia avançada constantemente aprende e se adapta a novos padrões de sinal quando as condições de operação mudam. As assinaturas de falha aprendidas em uma máquina “inoculam” essa máquina para que a mesma condição não se repita. Além disso, as assinaturas aprendidas são transferidas para máquinas semelhantes para evitar que sejam afetadas pelas mesmas condições degradantes.

Por exemplo, uma empresa de energia norte-americana estava perdendo até um milhão de dólares em reparos e receitas perdidas com as repetidas avarias de bombas elétricas submersíveis. O aplicativo de aprendizado de máquina avançado aprendeu o comportamento de 18 bombas. O software detectou um vazamento precoce do revestimento em uma bomba que causou um incidente ambiental. Aplicar a assinatura de falha ao resto das bombas forneceu um aviso prévio, permitindo uma ação antecipada para evitar uma repetição do incidente, evitando assim um problema grave.

Em outro caso, uma empresa líder de transporte ferroviário de cargas operando em 23 estados nos EUA usou o aprendizado de máquina para lidar com falhas perenes de motores de locomotivas que custaram milhões em reparos, multas e perda de receita. O aplicativo de aprendizado de máquina opera em linha, em tempo real e foi implantado em uma frota muito grande de locomotivas que examinam os dados do óleo lubrificante em busca de indicadores extremamente precoces de falha do motor.

O aplicativo até detectou uma assinatura de degradação enquanto o motor passava em um teste de baixa pressão. Desviar a locomotiva para manutenção imediata "economizou milhões de dólares para a empresa em tempo de inatividade e multas onerosas".

O momento de implementar software de aprendizado de máquina é agora

As empresas não podem mais confiar apenas nas práticas tradicionais de manutenção, mas também devem incorporar comportamentos operacionais na implantação de soluções baseadas em dados. O imperativo de hoje significa extrair valor adicional de ativos existentes e implementar um programa de aprendizado de máquina avançado para fornecer melhorias rápidas.

Com as soluções de software certas, as tecnologias preditivas detectarão as condições que limitam a eficácia dos ativos, ao mesmo tempo que fornecem orientações prescritivas que garantem que as empresas continuem lucrativas e aumentem as margens.

O autor deste blog é Mike Brooks, consultor de negócios sênior, AspenTech e ex-presidente e diretor de operações da Mtell