Mitigação de riscos em plantas industriais por meio de gerenciamento avançado de dados

A falha de ativos é um evento perturbador para qualquer organização industrial. De acordo com a LNS Research, as falhas de ativos são uma das três principais causas de acidentes que terminam em problemas de segurança e poluição. Também interrompem a produção e causam danos aos equipamentos, resultando em perdas financeiras significativas. Na verdade, a cada ano, o tempo de inatividade não planejado custa aos fabricantes industriais cerca de US$ 50 bilhões.

As organizações estão sob pressão para aumentar a eficiência e reduzir o consumo, e os gestores e executivos de fiabilidade devem ter em conta cada ativo que desempenha um papel nas operações da fábrica – desde a mais pequena válvula até à maior turbina.

Embora o software possa executar análises e gerar métricas básicas de desempenho, o conhecimento de que uma turbina bem protegida de US$ 10 milhões é 98% confiável não é útil quando se trata de uma pequena válvula que falha e desliga toda a planta.

Os três principais fatores de degradação da máquina são:

1. Todas as máquinas enfrentam múltiplas fontes de degradação.
2. Isso inclui produtos químicos, fadiga, abrasão e fricção.
3. A taxa desses mecanismos de degradação varia dependendo do projeto da máquina, do uso e do ambiente.
4. As máquinas são complexas, compostas por vários componentes, e as diferentes fontes de degradação afetam esses componentes em taxas diferentes.

A jornada inicial:do preventivo ao proativo

A manutenção preventiva (PM) surgiu para detectar e prevenir a degradação antes que a falha ocorresse. No entanto, a complexidade e a interacção dos três principais factores de degradação complicaram a decisão de quando e onde intervir. Em vez de estabelecer cronogramas de PM com base em suposições fundamentadas, a PM baseada em tempo tornou-se a melhor opção e logo foi seguida pela manutenção baseada em condições.

Várias tecnologias de manutenção preditiva (PdM) foram desenvolvidas, tais como:

• Análise de vibração para equipamentos rotativos.
• Termografia para sistemas elétricos.
• Ultrassom para tubulações e espessura de vasos.

No entanto, o nome “manutenção preditiva” é um pouco impróprio. Estas tecnologias não prevêem o fracasso; eles detectam e revelam sinais de deterioração para que as equipes de manutenção possam interceptá-los antes que ocorra uma falha. Esses métodos concentram-se em diferentes modos de falha e são construídos em torno de tecnologias de sensores que os detectam e produzem dados críticos.

Sem insights de dados provenientes da tecnologia de sensores conectados, os operadores das instalações não têm uma compreensão suficiente dos riscos da organização e de como gerenciá-los. Os dados necessários para tomar decisões podem ser limitados a um ativo ou instalação específica. Mas os dados tornam-se úteis quando comparados com toda a empresa e com as médias globais, apresentando uma vantagem competitiva para empresas que compreendem os riscos e sabem como controlá-los.

Adotando dados e nova inteligência

Com a adoção de sensores produtores de dados, as organizações estão implementando sistemas de gerenciamento para interpretar grandes volumes de dados e executar tarefas avançadas de reconhecimento de padrões para detectar anomalias e degradação de equipamentos.

As técnicas de detecção do sistema de gestão são práticas; eles analisam os dados dos sensores e constroem um modelo de operação “normal” e alertam quando ocorrem condições anormais. Isso acontece em tempo real e pode detectar variações sutis causadas pela deterioração. Com estas tecnologias, as organizações estão a obter um retorno do investimento, reduzindo significativamente as falhas catastróficas nos equipamentos monitorizados.

Você sabia?

"Aproveitar a análise de big data pode reduzir falhas em até 26% e reduzir o tempo de inatividade não programado em quase 25%."
Fonte:engenharia.com

A tecnologia também transformou a mineração de dados para otimizar insights de dados de sensores arquivados e dados de sistemas de gerenciamento de ativos corporativos para auxiliar na execução do trabalho. A combinação da mineração de dados com a detecção de anomalias melhora o diagnóstico em tempo real e as previsões do tempo até a falha. É aqui que os sistemas de gerenciamento de desempenho de ativos (APM) entram em ação.

A maioria das técnicas de aprendizado de máquina (ML) e inteligência artificial (IA) são baseadas em dados, mas não foram projetadas para análise extensiva de dados; O APM codifica os dados que o ML e a IA não conseguem, usando uma função de integração de dados de ML para coletar bilhões de pontos de dados e organizá-los rapidamente em modelos que medem riscos e evitam falhas.

Na indústria atual, as organizações estão reconhecendo que os ativos conectados precisam alimentar informações em um sistema APM para utilizar adequadamente os dados coletados. Por exemplo, uma grande empresa química na Arábia Saudita implementou um sistema APM e melhorou a taxa média de falhas dos seus tubos de 172 dias para mais de 2.100 dias, representando uma melhoria de 1.135%.

Compartilhando dados para melhores prognósticos

Para organizações com ambientes IoT (Internet das Coisas) de ponta a ponta, a análise de big data não pode se concentrar em apenas algumas fontes de dados. O APM permite que as organizações combinem silos de dados e modelem a natureza única dos ativos industriais dentro do seu contexto operacional.

Esta é uma área onde existem diferenças significativas entre os setores industrial e de consumo. No mundo industrial, as falhas podem ser muito variadas. Como atualmente não existe um equivalente industrial do Google ou da Amazon para combinar dados de máquinas entre empresas, os conjuntos de dados necessários para desenvolver esses tipos de análise são limitados a grandes empresas e fabricantes de equipamentos originais (OEM). Embora as empresas sejam sensíveis em relação aos seus dados operacionais, muitas estão começando a compreender que compartilhar seus dados sobre falhas e falhas com outras pessoas é extremamente benéfico para todo o setor.

Com este conjunto de dados, a próxima onda de análise de dados tem um potencial imenso. Ao analisar esses dados, os padrões de falhas emergentes podem ser combinados e comparados com dados históricos de uma “biblioteca” de casos anteriores semelhantes. Com isso, o diagnóstico automatizado pode fornecer uma descrição do problema e uma previsão do tempo potencial até a falha.

Mesmo para equipamentos não equipados com sensores, conjuntos de dados maiores suportam melhores análises estatísticas com base em equipamentos em condições operacionais semelhantes. Isso permite que engenheiros e operadores tomem decisões mais informadas ao estabelecer uma estratégia de manutenção, pois compreenderão a verdadeira taxa de falhas dos componentes. A tecnologia atual normalmente depende de recomendações de OEM ou de estudos da indústria que foram frequentemente realizados anos atrás.

Conclusão

Para muitas empresas, o desenvolvimento da estratégia de manutenção é um processo subjetivo e orientado pela experiência. Os dados para tomar decisões objetivas são muitas vezes escassos, não existem ou são de difícil acesso. A mudança para abordagens baseadas em condições resolve grande parte deste problema, baseando as atividades na condição atual de um ativo, mas mesmo estas técnicas ainda requerem conhecimentos significativos e deixam espaço para melhorias.

O potencial para aplicação de análise avançada de dados às operações de máquinas é promissor, mas ainda existem desafios. É fundamental ter acesso ao tipo certo de dados e, para muitas empresas, isso pode significar estar disposto a partilhar e comercializar dados com outras empresas. À medida que as empresas começarem a partilhar informações e a melhorar as operações, perceberão que os benefícios superam as preocupações de ajudar os concorrentes. 

As organizações entendem que o custo direto do tempo de inatividade é prejudicial aos negócios. Em muitos casos, os custos indiretos deste tempo de inatividade, como uma reputação prejudicada, são igualmente, ou até mais, perturbadores do que os custos diretos. Os operadores industriais devem adotar uma estratégia de big data que proporcione o melhor resultado para os seus ativos se desejarem manter a rentabilidade e o crescimento. Ao identificar antecipadamente tendências e características de falhas com dados, as organizações industriais melhoram a confiabilidade geral dos ativos e cortam custos, tanto a curto como a longo prazo.