Implementar Manutenção Preditiva sem Especialização em Machine Learning

Uma percepção crescente entre engenheiros é que a manutenção preditiva se tornou um domínio quase exclusivo de técnicas de IA, forçando-os a adquirir habilidades de machine learning. Na realidade, especialistas da MathWorks mostram que é possível construir uma manutenção preditiva robusta sem conhecimento profundo de ML.

Durante uma conversa recente com a EDN, o gerente sênior de marketing de produto Aditya Baru delineou um fluxo de trabalho de quatro etapas e destacou ferramentas especializadas que cobrem cada fase.

Figura 1. Um fluxo de trabalho básico de manutenção preditiva compreende quatro etapas. Fonte: MathWorks

1. Processamento de dados

Para engenheiros que não são cientistas de dados, filtrar as vastas quantidades de dados brutos de sensores gerados por ativos industriais — turbinas eólicas, geradores, bombas, motores — pode ser assustador. Um motor a jato ou uma bomba de petróleo em uma operação de exploração pode facilmente produzir um terabyte de dados por dia, tornando a detecção de falhas em tais volumes parecer impossível.

Baru explica que os engenheiros podem começar monitorando fluxos de dados de entrada em busca de mudanças sutis, identificando sinais precoces de degradação e determinando a causa raiz de comportamentos anormais. Por exemplo, a análise espectral de uma bomba em rotação contínua pode revelar as frequências de falha que distinguem a operação normal de uma falha iminente.

Figura 2. Engenheiros podem detectar vazamentos e entupimentos em bombas rastreando mudanças no atrito do motor. Fonte: MathWorks

2. Indicadores de condição

Diante de 100 amostras de dados de séries temporais, o objetivo é reduzi-las a um único número rico em informação — um indicador de condição. Esta etapa de redução de dados condensa um grande conjunto de dados em um conjunto gerenciável de características que ainda capturam toda a dinâmica relevante.

Em uma colaboração recente com a Daimler Mercedes, ferramentas da MathWorks destilaram enormes dados de séries temporais de uma linha de manufatura em um conjunto compacto de características — padrões, atrasos de tempo e outras estatísticas — reduzindo a pegada de dados em um fator de 250.

Figura 3. Engenheiros podem extrair características de dados brutos de sensores e criar indicadores de condição usando técnicas baseadas em tempo e frequência. Fonte: MathWorks

3. Modelo preditivo

Com um conjunto de dados condensado que representa fielmente os dados originais, os engenheiros podem empregar uma variedade de técnicas de modelagem clássicas — séries temporais, estatísticas ou baseadas em probabilidade — sem precisar de profunda expertise em IA ou ML. Esses métodos são bem estabelecidos na comunidade de engenharia e são suportados pelo Predictive Maintenance Toolbox do MATLAB.

Baru cita a Safran, uma empresa aeroespacial que utiliza técnicas de condicionamento de sinal no MATLAB para prever falhas de componentes, demonstrando que métodos de engenharia tradicionais permanecem altamente eficazes.

Figura 4. O Predictive Maintenance Toolbox permite que engenheiros estimem a vida útil restante (RUL) e forneçam intervalos de confiança associados à previsão. Fonte: MathWorks

4. Implantação do algoritmo

A etapa final e, arguivelmente, mais crítica é implantar o modelo preditivo em produção. Os engenheiros têm várias opções: incorporar o modelo localmente na máquina, executá-lo em um computador de borda próximo ou transmitir dados para serviços em nuvem quando a conectividade permitir.

Implementar a manutenção preditiva por meio deste fluxo de trabalho de quatro etapas capacita os engenheiros a fornecer um serviço de manutenção que mantém as máquinas operacionais 90% do tempo. Um conjunto de ferramentas especializadas está disponível para gerenciar cada etapa de forma eficiente.

>> Este artigo foi publicado originalmente em nosso site parceiro, EDN.