Alcance Tempo de Inatividade Zero com Manutenção Preditiva Impulsionada por IA

Em meados dos anos 2000, o sistema de ar comprimido da fábrica da Toyota North America em Georgetown, KY, travava em média mais de uma vez por ano. Isso levou alguns na fábrica a questionar se o uso de machine learning e IA poderia resolver esse problema fornecendo detecção de anomalias, identificação de falhas e, mais importante, previsão de falhas iminentes antes que ocorressem.

O tempo de inatividade não planejado do sistema de ar comprimido significava, é claro, que toda a fábrica tinha um problema. A oficina de pintura usava ar comprimido para pintar veículos novos. O sistema dava vida a ferramentas pneumáticas, e nada se comparava ao ar comprimido para remover resíduos de lixamento e outros.

Com um veículo finalizado saindo de uma das três linhas da fábrica a cada 25 segundos durante dois turnos, as consequências eram significativas se o serviço de ar comprimido falhasse.

"A despesa, se a linha para, é tremenda", disse Mark Rucker, gerente de projeto e especialista em assuntos elétricos na fábrica. "Então, há um bom incentivo para ter um serviço confiável, estável."

O sistema de ar comprimido de vários milhões de dólares compreende uma dúzia de compressores de ar centrífugos Ingersoll Rand, cada um do tamanho de um caminhão pequeno. As pás de estágio final de cada compressor giram a 20.000 rpm a uma fração de polegada de sua carcaça. Se uma pá opera minimamente fora de especificação e toca a carcaça, está condenada. A máquina inteira deve ser reconstruída a um custo de cerca de $100.000.

A oscilação da pá não é a causa da queda, porém; é o resultado.

A queda — também conhecida como surge ou fluxo reverso — acontece quando algo faz o fluxo normal de ar do compressor para um tubo tentar se reverter e o ar no tubo empurra de volta.

A frequência, custo e consequências das quedas levaram a Toyota a chamar Jay Lee, diretor fundador de Sistemas de Manutenção Inteligentes, para ajudar.

Jay Lee estava à frente da curva da Indústria 4.0

No início do novo milênio, antes da ligação da Toyota, Lee era professor de engenharia na Universidade de Cincinnati que imaginava todas as máquinas de uma fábrica conectadas e fornecendo dados para manutenção inteligente. Naquela época, porém, grande parte da tecnologia necessária para tornar a visão de Lee realidade ainda não existia.

"Vinte anos atrás, pouquíssimas pessoas acreditavam que era possível", disse Lee, que atualmente está em licença do ensino e é vice-presidente do conselho e membro do board da Foxconn Technology Group no Wisconsin.

Em sua visão industrial, as máquinas são como pacientes e os dados coletados de sensores que monitoram as máquinas fornecem informações sobre sua saúde. Especialistas derivam prognósticos interpretando os dados que coletam e analisam.

"Eu disse: 'Por que não testar o sangue da máquina?' E qual é o sangue da máquina?", disse Lee. "Dados. A pergunta é: 'Que dados você quer obter?' Depende do que você quer analisar. Precisamos entender o contexto e o conteúdo, e formular um modelo de relacionamento entre os desconhecidos invisíveis."

Escondido nos dados está o significado sobre comportamento desviado de uma máquina ou processo. Desbloquear esse significado leva a prever qualidade, determinar a estabilidade da máquina ou processo e prevenir falhas potenciais. "Isso é exatamente sobre o que a Indústria 4.0 é hoje", disse Lee.

O termo "Indústria 4.0", claro, não foi popularizado até por volta da época da iniciativa do governo alemão em 2013.

Nenhuma queda desde 2006

Uma vez na Toyota, Lee e sua equipe de analistas de dados uniram-se a Rucker e a um grupo de trabalhadores de manutenção qualificados e engenheiros da fábrica para enfrentar o problema do sistema de ar comprimido.

A simplicidade de suas perguntas ocultava a complexidade da tarefa à frente.

"Podemos prever um problema de fluxo reverso antes que cause uma queda?", disse Rucker. "Podemos ver algo se desenvolvendo a tempo de fazer algo a respeito?"

Através de meses de tentativa e erro em 2005, a equipe coletou e analisou dados de alta fidelidade de um dos compressores e procurou anomalias. Às vezes, a equipe criava uma condição de surge ou aproximação de surge para forçar a máquina a começar a exibir comportamento desviado e ver como isso aparecia no conjunto de dados.

Eventualmente, o trabalho da equipe deu frutos. Seus membros viram que o melhor preditor de uma condição de surge iminente ocorria no estágio dois (dos quatro estágios pelos quais o compressor passa, progredindo da pressão normal para 120 libras por polegada quadrada, ou PSI).

"Quais são as físicas por trás disso, por que isso é o preditor?", disse Rucker. "Não sei, não me importo. Apenas vimos que isso prevê confiavelmente um surge futuro, e prevê com segundos de antecedência."

O próximo passo foi colocar um sensor diferencial em cada compressor e criar um algoritmo de machine learning para a unidade de controle central. Testes confirmaram que assim que o estágio dois começava a "oscilar", o compressor começava a recuar.

"Toda vez que testávamos, nos mantinha fora de problemas", disse ele. "Não tivemos quedas desde 2006."

Enquanto o projeto de controle de surge do compressor foi um sucesso, outro que focava em tentar prever a vida dos mancais nos gigantes do ar comprimido falhou. A equipe não conseguiu encontrar dados de manutenção confiáveis suficientes e combiná-los com dados operacionais da máquina para tirar correlações úteis, disse Rucker.

"Isso é provavelmente a mistura certa de P&D", disse ele. "Você tenta coisas, e não sabe se vão funcionar ou não. E se metade das vezes você recupera seu dinheiro, é uma vitória. E de vez em quando você encontra aquela que paga por todo o resto — como o controle de surge."

Flexibilidade é fundamental

Lee posteriormente publicou um artigo sobre o projeto da Toyota e, em 2013, ajudou a co-fundar a Predictronics com Patrick Brown, funcionário dos Sistemas de Manutenção Inteligentes, e dois de seus alunos universitários, David Siegel e Edzel Lapira. Brown, Lapira e Siegel formam o C-suite da Predictronics.

Assim como Rucker da Toyota recorreu a Lee para ajuda com IA, empresas recorrem à Predictronics para ajuda com suas aspirações de tempo de inatividade zero.

"Diferentes clientes geralmente estão em diferentes níveis de maturidade", disse Lapira, que é CEO. "Temos alguns clientes que já têm uma estrutura de coleta de dados em vigor: têm um data lake mas não sabem o que fazer com os dados. Também temos alguns clientes que precisam começar do zero."

Clientes com ativos de 50 ou 60 anos devem começar em um estágio ainda mais inicial.

Cada vez mais, a Predictronics é abordada por clientes com máquinas legadas. Lapira e seus colegas os mandam comprar componentes como acelerômetros e transdutores.

"Estes são os diferentes conversores analógico-digitais que precisamos para extrair esses dados", disse ele.

Desde sua fundação em 2013, a Predictronics ajudou mais de 70 fábricas com soluções de IA, muitas delas empresas Fortune 500.

A Predictronics trabalhou com um cliente, um fabricante de semicondutores, para estabelecer uma solução preditiva de metrologia virtual capaz de aprender a relação entre variáveis de sensores e medição.

O projeto foi desafiador devido aos centenas de sinais medidos emitidos pelo equipamento de semicondutores.

Mas existem métodos estatísticos bem conhecidos para reduzir o número de possibilidades, disse Siegel.

"Além desses métodos, nos últimos anos tem sido mais a comunidade de machine learning que desenvolveu métodos que incorporam um algoritmo de regressão de classificação que tem uma parte de seleção de variáveis embutida", disse ele. "Isso reduz para as top 10, 20 ou 30 variáveis. Então você trabalha com o cliente ou usa seu próprio conhecimento para determinar o que faz mais sentido incluir no software e no modelo de análise."

Seja aplicando conhecimento ganho de experiência anterior em sua abordagem baseada em templates, que ajuda a manter custos baixos, ou uma solução formulada em uma parte da empresa que pode então ser escalada internamente, "encontrar uma solução que aborde diretamente as questões mais críticas, mas que também seja flexível o suficiente para ser aplicada a outros problemas, é fundamental", disse Brown.

Devida Diligência em IA

Fábricas que estão procurando um provedor de soluções de IA como a Toyota fez para seu problema de ar comprimido devem fazer sua devida diligência para encontrar o ajuste certo.

Ajuda saber as perguntas certas a fazer, disseram os especialistas da Predictronics:

• Onde seus serviços foram usados antes?
• Sua solução demonstrou uma melhoria clara nas operações de negócios em termos de redução de tempo de inatividade ou aumento de qualidade?
• Sua solução foi usada na minha indústria?
• Sua equipe tem conhecimento de domínio industrial?
• Sua solução funciona com equipamentos legados?
• Sua solução funciona com uma variedade de sensores?
• Sua solução usa machine learning?
• Quantos dados ela requer para treinar o modelo?
• Precisa apenas de dados de uma máquina saudável ou também de dados de uma máquina degradada ou com defeito para aprender?

Robôs Também Querem IA

Enquanto as máquinas-ferramenta em uma oficina estão performando melhor sob influência da IA, não há razão para que robôs não possam fazer o mesmo.

A Fanuc America recentemente adicionou "AI Error Proofing" (Prova de Erro por IA) ao seu controlador de robô e à função de visão dos robôs, iRVision, que usa machine learning (ML) para inspeção de peças.

Com a capacidade de prova de erro, um operador usa imagens para treinar o ML a verificar duas situações distintas — se uma porca soldada está presente ou ausente, por exemplo — e aceitar ou rejeitar uma peça.

Como o iRVision pode suportar até 27 câmeras, a função de prova de erro pode atuar em tantos pontos no processo de manufatura.

"Você quer identificar rejeitos ou erros antes de continuar a agregar valor a uma peça ruim", disse Josh Person, engenheiro da equipe no grupo de visão de máquina da Fanuc.

"Muitas vezes, você pode ver um erro em um estágio e o próximo estágio o encobriria", acrescentou.

Durante a configuração, o operador pode apresentar múltiplos exemplos de peças e classificá-los em duas categorias — boa e ruim. Se o exemplo não cair em nenhuma das classes, ele emitirá "indeterminado". Exemplos indeterminados podem então ser adicionados para melhorar o modelo aprendido.