Manutenção preventiva com IA: como começar?


A inteligência artificial (#IA) oferece novas oportunidades para aumentar a eficiência das manutenções preventivas. Uma das maiores vantagens é adotar o critério de probabilidade de falha, baseado em um amplo conjunto de variáveis, para determinar o período de manutenção preventiva, ao invés de critérios tradicionais de número de horas de operação ou ciclos de setup e operação.

O grande desafio das empresas é saber como começar.

A manutenção preditiva é um desejo de todas as equipes de manutenção há décadas. Lembro das análises de uso de sistemas especialistas nas décadas de 80 e 90. Onde os fornecedores afirmavam que era a solução para aumentar o controle e otimizar a manutenção. O problema dos sistemas especialistas do passado era que eles eram configurados a partir de regras: “SE <ocorrer isto> ENTÃO <faça isto>”. Estes sistemas não são inteligentes, eles apenas executam regras criadas por humanos especialistas. Uma definição clássica sobre sistemas especialistas é: “programas constituídos por uma série de regras (às vezes também heurísticas) que analisam informações (normalmente fornecidas pelo usuário do sistema) sobre uma classe específica de problema (ou domínio de problema)” (WIKIPEDIA).

E é, por isso, que muitas definições acadêmicas acabam assustando as pessoas.

A lógica é simples

Na prática, você tem um problema configurado, como o acionamento de um alarme ou a parada de um equipamento por falha. Nós, da área de ciência de dados, chamamos esses eventos de variáveis target. A combinação de valores de outras variáveis (tensão, corrente, temperatura, vibração, acionamento de um PLC etc.) resultam a falha. Ou seja, vale a máxima que um acidente não é causado apenas por um evento, mas por uma sequência de eventos. Sendo possível, monitorar todos os eventos é possível prever uma falha.

O desafio é reunir e normalizar os dados de cada equipamento. Muitas vezes, eles são medidos por diferentes sistemas e, desastrosamente, por estampas de tempo diferentes, os tais timestamps. Monitorar sequência de eventos com diferentes relógios é um sério problema para sistemas de inteligência artificial, principalmente, se forem em tempo real – real time. Por esta razão, é importante ter o mesmo timestamp para todos os sistemas. Isto é possível usando o relógio do GPS dos satélites que é baseado na tecnologia de relógio atômico, com uma precisão de 40 nanosegundos do UTC (Tempo Universal Coordenado).

Dados – qualidade é essencial

Minha experiência mostra que o maior desafio é reunir os dados para as análises. Então, quando começar um projeto de inteligência artificial dedique um bom tempo para a coleta e transformação dos dados. Por melhor e mais caro que seja um sistema de análise preditiva de dados, os resultados só serão efetivos se a qualidade dos dados for ótima. Mesmo com uma equipe altamente especializada.

Por isso, desconfie de quem diz que o importante é o software de manutenção preditiva. Na verdade, se você tiver uma boa qualidade dos dados, você até pode optar em desenvolver o seu próprio software. As linguagens de programa e bibliotecas de algoritmos de uso público, como o Python e Tensorflow, são ideais para isso.

É necessário fazer um profundo levantamento dos processos da linha de produção ou do sistema operativo, como uma usina de hidrelétrica, para definir com exatidão os pontos de coleta de informações. E então, também é possível aproveitar os processos da certificação ISO9001 para iniciar o processo de análise.

E então, tendo em mãos os processos, dados de qualidade e variáveis target, o próximo passo é o desenvolvimento dos modelos matemáticos para atingir os melhores resultados de acurácia, precisão e recall dos modelos. Ou seja, dada uma determinada condição de dados de entrada em um dado tempo (timestamp), qual a probabilidade de ocorrer uma falha em um determinado ponto. Em operação normal, a probabilidade será baixa. Entretanto, quando ocorre mudança de valor de uma variável, o sistema estimará qual a probabilidade de ocorrência de uma falha.

O desenvolvimento de um sistema de análise preditiva de falhas reúne uma série de desafios, entretanto, o maior deles é INICIAR.

Para vencer o primeiro desafio, convide pessoas experientes que deem confiança a diretoria-executiva para garantir o patrocínio e aprovação do projeto.