Melhorando o desempenho de ativos com aprendizado de máquina

Os executivos da indústria de hoje estão descobrindo novas maneiras de maximizar a confiabilidade e o valor de seus ativos. Com o gerenciamento de desempenho de ativos alimentado pela Industrial Internet of Things (IIoT) e aprendizado de máquina, as empresas podem aproveitar os dados de equipamentos e processos para estender a vida útil de seus ativos e obter confiabilidade ideal.

Em média, até 15% da margem bruta é consumida pelo tempo de inatividade não planejado. Em comparação, o melhor desempenho da classe é estimado em 5 por cento. A eliminação dessas perdas exigirá que a manutenção e a produção trabalhem juntas de novas maneiras.

A abordagem tradicional para confiabilidade tem sido construir um modelo de primeiros princípios do ativo, ajustar o modelo com dados em tempo real, implementar fatores corretivos ou criar regras de precisão, comparar os resultados do modelo com dados em tempo real e destacar os desvios estatísticos das condições normais . No entanto, esses modelos olham apenas para dados de ativos. Eles não podem "ver" a montante no processo para identificar comportamentos causais que degradam os ativos e só podem sinalizar quando o início do dano se torna evidente - quando o dano já está feito.

Esse método convencional de previsão de desempenho foi desenvolvido há 40 anos em modelos baseados em equações de engenharia, técnicas estatísticas e mecanismos de regras, mas muitos ainda dependem dele. O aprendizado de máquina surgiu apenas recentemente. Ambas as técnicas freqüentemente parecem resolver os mesmos problemas, mas diferem em áreas de envolvimento humano e precisão de previsão.

As técnicas de modelagem, que requerem ampla experiência e habilidades com técnicas de calibração apropriadas, foram e continuam a ser muito bem-sucedidas. Com os primeiros princípios, o comportamento específico deve ser compreendido. Os modelos dinâmicos em tempo real oferecem previsões do comportamento da previsão em qualquer ponto no tempo, fornecendo uma compreensão aprofundada do desempenho esperado.

O que torna a solução do problema de interrupções não planejadas e tempo de inatividade tão desafiador é a natureza dinâmica dos processos de produção. Com milhares de variações ocorrendo simultaneamente dentro do processo, é difícil para os modelos preverem exatamente quais padrões ou tendências levarão a eventos não planejados.

Modelos de primeiros princípios (engenharia) mostram apenas comportamento estimado, esperado ou percebido com base em desempenho higienicamente limpo e otimizado. Com que frequência o equipamento mecânico funciona dessa maneira?

É o mesmo com 30, 50, 100 ou 110 por cento de taxa de transferência? Em contraste, o aprendizado de máquina pode aprender com base no comportamento real do equipamento no mundo real em todas as condições, incluindo variações sazonais, diferentes campanhas operacionais, inicialização / desligamento e alteração dos ciclos de trabalho. Também pode levar em consideração o processo de deterioração e o desempenho mecânico.

O aprendizado de máquina extrai os dados do processo e dos ativos para um aviso prévio. Ele faz o trabalho pesado de encontrar os padrões no processo que sinalizam problemas futuros de ativos. Ao identificar os comportamentos do processo que são a causa raiz da degradação, os problemas são identificados muito antes.

Com essa abordagem, a análise de risco e o aprendizado de máquina trabalham juntos para prever de forma contínua e precisa as falhas de ativos com semanas ou meses de antecedência. Isso pode fornecer tempo para planejar, coordenar e agir, em vez de apenas reagir. Este tempo é o que permite que a manutenção e a produção trabalhem juntas de novas maneiras.

Os aplicativos de aprendizado de máquina não criam modelos no sentido tradicional de equilíbrio de calor / material e equações politrópicas termodinâmicas, lógica e regras e interpretação estatística. Eles medem assinaturas de falha em vez de máquinas modelo.

Aplicado com habilidade e conhecimento de domínio, o aprendizado de máquina absorve dados de sensor e manutenção duros e medidos, coletados durante longos períodos de tempo para identificar padrões minúsculos, multivariados e temporais que os humanos não podem ver.

Os padrões descobertos são as assinaturas exatas que definem o comportamento normal e as excursões que levam à degradação e à falha. Por uma questão de conformidade, podemos chamar esses modelos de assinaturas, mas eles estão conceitualmente distantes das idéias de engenharia ou modelos matemáticos.

As assinaturas de falha desenvolvidas com o aprendizado de máquina não conhecem ou se preocupam com o tipo de máquina, a indústria onde ela é usada ou os princípios de engenharia por trás de sua operação. As assinaturas só se preocupam se há sensores suficientes fornecendo dados suficientes que contêm relacionamentos aprendíveis entre os sensores para declarar com precisão o comportamento operacional do ativo por meio de circunstâncias normais e de degradação / falha.

Mesmo uma biblioteca de 125 modelos não pode se aproximar das centenas de milhares de ativos exclusivos que precisam de proteção. No entanto, o aprendizado de máquina pode avaliar rapidamente os padrões e implantar em ativos nunca vistos antes em horas ou minutos, sem habilidades intensas de engenharia. Uma abordagem best-in-class pode fazer isso sem habilidades de ciência de dados, executar automaticamente em linha e em tempo real e apresentar resultados acionáveis ​​em segundos.

Se você ainda depende apenas de modelos de primeiros princípios, é hora de se modernizar. Usar uma combinação de modelos e aprendizado de máquina é a maneira mais poderosa de detectar e evitar condições operacionais de processo arriscadas. Essa combinação pode explicar as condições explícitas a qualquer momento usando o modelo, com o aprendizado de máquina calibrando e ajustando o modelo automaticamente, sem muita orientação humana ou regras de programação.

É o melhor dos dois mundos - status do processo oportuno e preciso junto com calibração mais simples. Ele também fornece às equipes de manutenção e operações a visão necessária para trabalhar em conjunto para obter o melhor desempenho possível.

Leia mais:Eficácia geral do equipamento

Sobre o autor

Michael Brooks é consultor consultor sênior em gestão de desempenho de ativos da AspenTech.