Dominando a Manutenção Preditiva em Escala: Estratégias Comprovadas para o Sucesso

No nosso artigo anterior, analisamos a ascensão da manutenção preditiva (PdM) e por que tantos fornecedores — e seus clientes — continuam errando. Aqui, exploraremos como aplicamos o que aprendemos sobre Manutenção Preditiva ao longo dos anos em tudo o que fazemos hoje.

A combinação de mais de 30 anos de experiência na indústria aeroespacial e mais de 150 anos-pessoa de pesquisa e desenvolvimento dedicados exclusivamente à PdM nos ensinou muito sobre a implantação de tecnologias de manutenção preditiva em diversos setores. E, à medida que continuamos a encontrar diferentes setores e níveis de maturidade do cliente, continuamos a aprender. Acima de tudo, aprendemos que fazer manutenção preditiva bem não é fácil.

Importante: aprendemos que não se trata apenas de saber como fazer PdM bem, mas por que isso importa. Aprendemos, por exemplo, que o verdadeiro valor da PdM pode ser difícil de explicar, mesmo quando está gerando um retorno significativo sobre o investimento. Implementar uma estratégia de PdM não é uma decisão que deva ser tomada levianamente — afeta toda a empresa, do conselho ao chão de fábrica. Um grau de confiança em seu sucesso será necessário antes de embarcar em uma transformação dessa escala.

Aqui estão alguns pontos-chave que, em nossa experiência, acreditamos que as organizações devem ter em mente ao iniciar uma jornada de manutenção preditiva.

A Manutenção Preditiva Não é um Caso de Uso Típico de Data Science

Quanto mais conversamos com clientes sobre suas tentativas anteriores de implementação falhas, mais certos ficamos de que a PdM não pode ser tratada como um problema típico de Big Data. Isso se deve em grande parte ao fato de que o contexto rico necessário para soluções de Big Data funcionarem é severamente escasso na PdM. Muitos modos de falha de máquinas são sutis por natureza, o que torna difícil para algoritmos de machine learning estabelecidos preverem padrões discerníveis com precisão.

Não é irracional esperar níveis de precisão de 90% ou mais em uma solução típica de Data Science. Esperar precisão semelhante de uma solução de PdM, no entanto, sugere um mal-entendido fundamental de como ela funciona. Sim, usar dados curados de alta qualidade em ambiente de laboratório entregará resultados assim para máquinas e modos de falha específicos. Mas isso não representa a realidade. Cada máquina e modo de falha é único, por um lado, e diferentes tipos de sensores entregarão dados com diferentes níveis de precisão. Sem mencionar a natureza dinâmica de um chão de fábrica e a falta geral de informações contextuais cruciais.

Perguntas difíceis devem ser feitas a qualquer um que faça perguntas generalizadas ou faça afirmações específicas sobre a precisão de uma solução de PdM.

Conheça seu Público

Outra coisa que nossa experiência nos ensinou é que equipes de manutenção ocupadas geralmente têm muito pouco tempo no início de seus turnos para identificar quais das muitas máquinas pelas quais são responsáveis precisam mais de sua atenção. Certamente não querem gastar esse tempo estudando gráficos e vasculhando dados brutos para descobrir essa informação.

Design de software simples e intuitivo é, portanto, essencial, fornecendo aos profissionais de manutenção o insight de que precisam em um dashboard fácil de ler, economizando tempo valioso. No entanto, embora muitos fornecedores ofereçam tais dashboards, eles frequentemente são ofertas genéricas, que não levam em consideração fluxos de trabalho, preferências e experiência únicos do usuário. De fato, o conhecimento e a experiência desses profissionais são inestimáveis; aproveitá-los é crucial para o sucesso de uma solução de PdM.

Os produtos da Senseye são projetados com tudo isso em mente. Buscamos simplicidade, integrando perfeitamente analytics com uma interface de usuário clara. Em vez de múltiplos gráficos e tabelas, a informação é apresentada na forma de uma lista, ordenada pelo Attention Engine, um algoritmo proprietário que usa dados de máquina, dados de manutenção e dados do operador para priorizar máquinas que precisam de atenção.

Saiba Onde seus Usuários Estão em sua Jornada

Também aprendemos que diferentes empresas — e, frequentemente, diferentes áreas dentro da mesma empresa — estarão em diferentes estágios em sua jornada de manutenção preditiva. Uma empresa, por exemplo, pode estar apenas realizando verificações periódicas de monitoramento de condição baseadas em rotas. Outra, no entanto, terá combinado monitoramento de condição robusto e automatizado com uma solução de PdM para previsões precisas da saúde e tempo até falha de suas máquinas.

Esses exemplos estão em extremos opostos de uma escala, claro, e a maioria das empresas ficará em algum ponto entre os dois, com o nível de maturidade tanto de seus dados quanto de sua prontidão cultural aumentando como resultado de maior compreensão por sua equipe de gestão e adesão de sua equipe de TI. É importante saber onde uma empresa se situa nessa escala, porém, pois cada uma precisará de um pacote diferente de suporte e implantação dependendo de seu nível de maturidade.

Anos de experiência nos ensinaram muito sobre o que funciona e o que não funciona. No nosso próximo artigo, exploraremos como toda essa experiência e compreensão tornaram o Senseye PdM o principal produto de PdM do mercado. Até lá, você pode encontrar mais detalhes sobre as coisas mais importantes que aprendemos sobre PdM em nosso white paper "Senseye in Depth: Why is Predictive Maintenance so hard?".