Sucesso em Manutenção Preditiva: Capacitando Usuários em Vez de Algoritmos

Engenheiros de manutenção experientes têm um quadro mental detalhado das máquinas que cuidam. Sabem quando uma válvula rangendo significa que uma falha é iminente ou quando é seguro ignorar até o próximo desligamento programado. Se um sistema automatizado de manutenção preditiva puder acessar esse reservatório de conhecimento, pode aprender a fornecer o melhor suporte possível para usuários que devem decidir quais atividades de manutenção priorizar.

Em uma abordagem centrada no usuário para manutenção preditiva, equipes de manutenção são alertadas apenas quando o sistema acredita que elas acharão essa informação útil, com base no que acharam útil no passado.

É um pouco como quando provedores de conteúdo digital como Netflix ou Amazon armazenam rotineiramente informações sobre o que cada usuário escolhe assistir. Eles podem usar isso para impulsionar um 'motor de recomendação' que refina continuamente os filmes que mostra a cada usuário em resposta ao seu feedback.

Esta é a abordagem que adotamos na Senseye para modelar e entender o comportamento do usuário além do que está acontecendo com os ativos que monitoram, para ajudar a direcionar sua atenção onde é mais necessária.

Figura 1: Ambientes ricos em dados de monitoramento de condição contextuais e de alta qualidade permitem monitorar ativos perfeitamente — como uma abordagem Digital Twin. A maioria dos ambientes de fábrica é de baixo contexto e, portanto, modelos de interesse do usuário podem melhorar a eficácia do software de manutenção preditiva.

O Poder (e Limitações) da Predição

Toda iniciativa de manutenção preditiva — desde usar uma barra de ferro encostada em uma máquina rangendo para entender se a caixa de engrenagens precisa de serviço antes do próximo intervalo de manutenção programado, até um sofisticado sistema automatizado de monitoramento de software — busca ajudar operadores a identificar quando há problemas se formando. O objetivo principal é sinalizar problemas cedo o suficiente para evitar uma falha que levaria a tempo de inatividade não planejado caro. Frequentemente há outros benefícios também, relacionados a produtividade aprimorada e planejamento de manutenção.

O conceito de 'gêmeo digital' é particularmente popular no momento — ainda que o marketing frequentemente confuso dessa abordagem de modelagem matemática faça pouca menção aos usuários que deveriam interagir com esses 'gêmeos' e o que isso significa para eles. Um 'gêmeo digital' de cada ativo também precisa que o usuário se sinta confortável trabalhando em um ambiente digital complexo. Mas existe outra abordagem que foca muito mais nas necessidades dos usuários.

Muitas falhas deixam sinais distintos ou 'impressões digitais' nos dados da máquina e os principais softwares de manutenção preditiva no mercado agora podem aprender a identificá-los aceitando uma ampla gama de entradas — desde dados dedicados de monitoramento de condição até dados mais gerais da planta. Esses sistemas podem entender quais padrões ou sinais característicos indicam que pode haver um problema. Em alguns casos e com dados suficientes, eles podem até calcular a vida útil restante (RUL) de cada ativo — uma técnica conhecida como prognósticos.

A maioria desses sistemas de manutenção preditiva trabalha com dados limitados do chão de fábrica ou da planta, acionando um alarme quando um limite predefinido é violado. Eles podem alertar usuários quando algo está superaquecendo ou vibrando, por exemplo, mas é improvável que tenham informação suficiente para fazer um diagnóstico detalhado.

Em outras palavras, o sistema pode 'aconselhar' acionando o alarme, mas apenas o usuário tem a experiência e o conhecimento especializado para decidir quando agir. Crucialmente, fica muito mais difícil gerenciar a situação em ambientes onde muitas máquinas são monitoradas de uma vez, porque os usuários podem facilmente ficar sobrecarregados. O desafio da manutenção preditiva não é 'você consegue identificar problemas nos dados', mas 'você consegue identificar o que é de interesse para os usuários?'

Quem se Importa com o Usuário?

Sentimos que é importante que, quando acionamos um alerta, o usuário possa indicar com o toque de um botão se aquele alerta é útil ou não. Com o tempo, isso ensina o sistema a direcionar a atenção do operador para as prioridades de manutenção mais urgentes. Isso é feito automaticamente, então os operadores não precisam de nenhuma expertise em analytics de dados.

Em outras palavras, a abordagem centrada no usuário da Senseye para analytics de dados direciona a atenção modelando a resposta do usuário. Este loop de feedback entre a solução da Senseye e o usuário significa que o número de alertas diminui gradualmente até atingir um nível estável onde quase tudo o que direciona o usuário a olhar é útil.

Resultados Comprovados de Analytics Avançados — para Máquinas e Mantenedores

Analytics de dados é sobre buscar padrões dentro da massa de dados de entrada da planta. Por exemplo, os algoritmos proprietários, ou motores de padrão, por trás do Senseye PdM são projetados para identificar comportamentos característicos que precedem falhas potenciais e acionar um alerta usando nosso Attention Index proprietário. Vários tipos de padrão podem acionar um alerta de Attention Index: anomalias são períodos de dados instáveis, tendências são mudanças graduais na linha de base e violações excedem limites ou regras que podem ser especificadas pelo usuário.

No entanto, toda essa engenhosa análise de dados não significa nada a menos que entregue benefícios reais de negócios para usuários. Felizmente, o Senseye PdM tem um forte histórico de cumprir suas promessas de produtividade em uma variedade de indústrias. Clientes existentes tipicamente desfrutam de 50% de redução no tempo de inatividade, 55% de aumento na produtividade e 85% de aumento na precisão da manutenção.

Além disso, o Senseye PdM também é apoiado pela garantia ROI Lock® da Senseye: Se a implantação do Senseye PdM não reduzir o tempo de inatividade não planejado conforme acordado previamente, os clientes podem reivindicar reembolso de toda a taxa de assinatura.

Se você gostaria de saber mais sobre como modelamos os usuários de manutenção assim como os ativos que observam, preparamos um white paper detalhado sobre como o Senseye PdM pode ajudar a direcionar seus esforços de manutenção para onde farão mais bem. Baixe o white paper detalhado abaixo para mais informações ou entre em contato para ver uma demonstração e começar!