Manutenção Preditiva: Aproveitando Inteligência Contínua para Confiabilidade de Ativos Inigualável

CI baseada em análise de dados de sensores e IoT pode ajudar a detectar mudanças de estado em dispositivos e fazer previsões sobre probabilidade de falha de um ativo.

Análise de dados em tempo real e históricos sobre um ativo pode identificar problemas que podem levar à falha de uma peça ou dispositivo. Comparado à substituição de ativos baseada em calendário, manutenção preditiva é muito mais eficaz em prevenir downtime, enquanto extrai a vida máxima de uma peça ou equipamento. Como tal, manutenção preditiva é um killer app para inteligência contínua (CI).

Veja também: Análise em Tempo Real em Ambientes Grandes e "Brutais"

Essas capacidades podem ajudar a identificar peças ou equipamentos que provavelmente falharão antes de seu tempo agendado de substituição e manutenção. O verdadeiro benefício vem quando inteligência artificial é usada para detectar um problema potencial. Se essa inteligência é então usada por um sistema especialista, alertas podem ser enviados antes que problemas ocorram, e ação corretiva baseada em informação derivada pode ser entregue aos responsáveis por manter equipamentos.

Por que tais capacidades são tão críticas?

O custo de downtime em indústrias incluindo manufatura, aviação, exploração de energia, utilities e telecom é assombroso. Uma empresa média de petróleo e gás offshore experimenta cerca de 27 dias de downtime não planejado por ano, o que pode chegar a $38 milhões em perdas. Em alguns casos, esse número pode chegar a $88 milhões.

Em 2018, manutenção não planejada custou às companhias aéreas mais de $20 bilhões ou aproximadamente 27% de todo gasto de manutenção. Isso teve efeito cascata nas operações de rede já que quase 3,8% de todos os atrasos e cancelamentos de voos foram causados por eventos Aircraft on Ground (AOG). Quantificação desses problemas e benefícios da manutenção preditiva mostra que dados e analytics poderiam quase reduzir pela metade contas de manutenção não planejada, permitindo que companhias aéreas encolhessem custos associados para cerca de 14% do total de gastos de manutenção.

O papel da CI em manutenção preditiva

CI baseada em análise de sensores e dados de Internet das Coisas (IoT) pode ajudar detectando mudanças de estado em dispositivos e fazendo previsões sobre a probabilidade de falha de um ativo.

Por que CI é necessária? Abordagens tradicionais de manutenção de esperar algo dar errado são incrivelmente ruins para negócios. E substituir peças baseadas em cronogramas de manutenção baseados em calendário dos fabricantes pode resultar em boas peças sendo substituídas bem antes de falharem.

Em vez de reagir após o fato, insights de CI sobre a causa raiz dos problemas que levam a downtime, defeitos, ineficiências ou oportunidades perdidas antes podem potencialmente cortar custos e melhorar eficiências operacionais.

Cada vez mais, indústrias estão usando dispositivos IoT para coletar esses insights, usando os dispositivos para obter informação sobre todos os aspectos de suas operações. Infelizmente, um problema que a maioria das empresas encontra é que dispositivos IoT produzem volumes muito grandes de dados. Um relatório da indústria estima que a quantidade de dados produzida por IoT chegará a 4,4 zettabytes até 2020, de apenas 0,1 zettabytes em 2013.

Fazer uso de tais dados, que são gerados continuamente, requer novas estratégias. Os dados não podem simplesmente ser armazenados e então analisados depois. O valor real vem de fazer análise em tempo real conforme os dados fluem. Para derivar insights de tais streams de dados, muitas empresas estão complementando análise tradicional com algoritmos de inteligência artificial (IA) e machine learning (ML) em tempo real. Tal abordagem permite que negócios obtenham informação para tomada de decisão dos dados em um prazo que permitirá a uma empresa tomar ações proativas.

Especificamente, usos industriais de IA e ML aplicados a dados de IoT são vistos como ótima forma de melhorar previsão de manutenção e outros aspectos de operações. A razão: IA e ML podem ajudar a fazer previsões sobre sistemas complexos. Isso pode ajudar a reduzir downtime de máquinas através de manutenção preditiva.

O único obstáculo impedindo adoção rápida de CI para manutenção preventiva é infraestrutura. Hoje, a maioria das organizações não tem infraestrutura para tirar pleno proveito de CI aplicada a dados de IoT em streaming.

Quais são os problemas? Grandes organizações industriais podem coletar bilhões de conjuntos de dados de máquinas, sensores e aplicações de negócios internas. À medida que organizações se movem para novas iniciativas de IoT, é importante considerar novas tecnologias e processos que acompanhem essa enorme influxo de dados.