Aprendizado de máquina na manutenção preditiva

Analisamos como o Machine Learning (ML) está ajudando a revolucionar os modelos tradicionais de manutenção preditiva, impulsionando novos níveis de produtividade e desempenho de equipamentos em organizações centradas em ativos.

Manutenção preditiva de aprendizado de máquina (ML)

O tempo de inatividade imprevisto de equipamentos representa um risco operacional cada vez mais alto para organizações centradas em ativos, exigindo insights mais profundos sobre a integridade dos ativos que a IoT e a manutenção preditiva tradicional podem facilitar.

Nesse cenário, vimos os tradicionais Sistemas Computadorizados de Gerenciamento de Manutenção (CMMS) abrirem caminho para o Enterprise Asset Management (EAM), o Asset Performance Management (APM) e, mais recentemente, uma geração totalmente nova de ferramentas focadas em manutenção preditiva. É justo dizer que a confiabilidade e o desempenho dos ativos entraram bem e verdadeiramente na agenda.

No entanto, esse é o ritmo da mudança, que essas ferramentas de manutenção preditiva já não atendem aos requisitos de granularidade e desempenho dos negócios atuais. Interrompida pela convergência de IoT e Nuvem, que juntas oferecem uma aquisição de dados mais abrangente e em tempo real, a Manutenção Preditiva de Aprendizado de Máquina pode identificar possíveis falhas de equipamentos muito antes de sinalizar. Da mesma forma, pode estender a vida útil restante (RUL) dos ativos por meio de monitoramento e manutenção dedicados, em vez de seguir um cronograma rígido com base no uso típico.

Manutenção preditiva legada versus manutenção preditiva de aprendizado de máquina

Os modelos tradicionais de aprendizado de máquina de manutenção preditiva são baseados na engenharia de recursos. Esses modelos são criados manualmente com base na experiência, conhecimento e métricas e métodos padrão. Embora essa abordagem possa ser extremamente eficaz, principalmente nas operações de fabricação, os modelos são específicos para uma máquina dentro de uma organização e, portanto, tornam-se redundantes quando a máquina é substituída. Por meio da aplicação de aprendizado de máquina em escala, as redes podem extrair automaticamente os recursos certos dos dados, identificando os padrões de falha mais comuns e eliminando a necessidade de recriar manualmente um modelo sempre que um novo ativo é introduzido.

A Manutenção Preditiva de Aprendizado de Máquina aplica algoritmos para aprender com dados históricos e usa dados em tempo real para analisar padrões de falha. Os dados são coletados ao longo do tempo, em uma rede de ativos em várias organizações, permitindo que padrões que preveem falhas de equipamentos sejam detectados e algoritmos de aprendizado profundo sejam aplicados.

Combinando dados em tempo real com tendências históricas e variáveis, como fatores ambientais atuais, o aprendizado de máquina pode tomar decisões sobre quando uma ação precisa ser tomada e fazer sugestões sobre o que essa ação deve ser. A equipe de produção pode então tomar as medidas apropriadas sem realmente precisar entender os algoritmos necessários.

A Manutenção Preditiva de Aprendizado de Máquina permite que os engenheiros no chão de fábrica obtenham os dados necessários para evitar a ocorrência de uma falha, em vez da coleta manual de indicadores-chave, como temperatura e pressão, que não apenas arriscam imprecisões e levam tempo para carregar, mas apresentam um risco de segurança para o pessoal. Estrategicamente, essa abordagem permite que os engenheiros concentrem totalmente suas habilidades onde são mais importantes:o plano de manutenção e os ativos que precisam de sua atenção.

Exemplo de prática recomendada

Considere uma empresa de transporte que é informada de que um de seus ônibus quebrou. A manutenção preditiva herdada pode apontar para o fato de que seu motor está chegando para um serviço, portanto, a ação recomendada é agilizar esse serviço e identificar o problema. A Manutenção Preditiva de Machine Learning pode aproveitar sua riqueza de insights para identificar que o tipo de motor usado no ônibus está sujeito a uma falha comum, permitindo diagnósticos rápidos, implantação das habilidades certas e ações corretivas para resolver o problema. Isso não apenas minimiza o “tempo de inatividade” do veículo, como também minimiza a utilização de recursos e contribui para a reputação de confiabilidade da empresa.

Interrupção atrasada; inovação contínua

O aprendizado de máquina pode ser usado para atender rapidamente a novos objetivos, seja aumentando o rendimento para acomodar o aumento da demanda em uma determinada área ou para ajustar a produção just in time no caso de uma queda ou mudança na oferta ou na demanda. Fundamentalmente, isso pode ser alcançado em um switch, em vez de investir em uma equipe de ciência de dados, exigindo investimento e treinamento substanciais.

Dado os tempos incertos aos quais nos acostumamos nos últimos anos, não é de admirar que sua abordagem, que está arraigada no uso de algoritmos para encontrar padrões em dados para prever eventos futuros, tenha sido adotada em uma ampla gama de setores. A Manutenção Preditiva de Aprendizado de Máquina tem motivos claros para interromper o setor de manutenção preditiva legado.

Não apenas o mercado global de aprendizado de máquina deve crescer de US$ 17,1 bilhões em 2021 para US$ 90,1 bilhões em 2026, como também o impulso por trás dessa disrupção, que até 2026, 60% das soluções de manutenção preditiva habilitadas para IoT serão entregues como parte da empresa produtos de gestão de ativos.

Prevendo o sucesso

Acessível a todas as organizações, e com recursos mínimos de pessoal necessários para configurar ou para monitoramento contínuo, e a flexibilidade para dimensionar conforme necessário, a única coisa que impede o impacto dessa maneira é a ambição de uma organização de se afastar do manual tradicional operações.

Levar o aprendizado de máquina para uma fábrica desbloqueia o potencial de seus ativos e seus principais indicadores de condição. O aprendizado de máquina não tem um número máximo de ativos para monitorar, é capaz de gerenciar o mínimo ou o máximo de dados nele inseridos. E fica mais preciso com seus insights com o passar do tempo, pois os dados adicionais enriquecem sua experiência de modelagem e análise. Fornecendo insights, em vez de monitoramento direto dos limites, os engenheiros da planta podem se concentrar onde seu tempo é mais necessário e ser mais eficientes com redução de tempo de inatividade não planejado e extensão da vida útil do maquinário.

Os benefícios dessa abordagem profunda e baseada em conhecimento para gerenciamento de ativos se estendem a todos os cantos de uma organização, pois o impacto capacita e desafia a equipe a identificar e abraçar novas oportunidades.

White Paper:Aumentando a experiência humana com aprendizado de máquina

Baixe nosso white paper gratuito para aprender sobre a importância de manter os usuários do sistema informados, por que o conceito de Asset Health é enganoso e como o Attention Index fornece uma maneira mais eficaz de priorizar ativos com grandes ganhos de produtividade.