Manutenção preditiva

A manutenção de máquinas é uma atividade vital para muitas organizações, sobretudo no setor aeroespacial. As companhias aéreas gastam uma parte substancial dos seus custos operacionais totais em manutenção, reparação e revisão geral (MRO). Segundo a International Air Transport Association[1] (IATA), a aviação mundial deverá duplicar nos próximos vinte anos. Consequentemente, os custos de MRO também continuarão a aumentar. As companhias aéreas enfrentam um verdadeiro desafio para conter estes custos e melhorar a eficiência operacional. A manutenção preditiva, conhecida como predictive maintenance, permite reduzir os custos de MRO e aumentar a eficiência operacional através de sensores e inteligência artificial. Com predictive maintenance, é possível aproveitar ao máximo a vida útil restante dos equipamentos, realizando a manutenção e a revisão no momento certo e evitando reparações dispendiosas.

Introdução

Há anos que a perspetiva de reduzir os custos de MRO e aumentar a rentabilidade através de técnicas de manutenção inteligentes atrai muitas organizações. A ideia por detrás de predictive maintenance é bastante simples: utilizar dados de sensores e inteligência artificial para fazer a manutenção das máquinas no momento certo, reduzindo assim os custos de MRO e as paragens não planeadas. Até há pouco tempo, os algoritmos necessários para predictive maintenance ainda não tinham sido desenvolvidos, não estavam suficientemente avançados ou eram demasiado dispendiosos para aplicar.

Nos últimos anos, porém, a capacidade de processamento dos computadores aumentou consideravelmente, os avanços na inteligência artificial sucederam-se rapidamente e os sensores tornaram-se mais precisos e mais baratos. Isto reduz a barreira ao investimento, inicialmente elevada, e torna esta abordagem cada vez mais acessível e atrativa para um número crescente de organizações.

Os setores da energia, dos transportes, da produção industrial e das tecnologias da informação estão na vanguarda da predictive maintenance. Isto não é surpreendente, sobretudo na aviação. Um relatório anual do Maintenance Cost Technical Group da IATA mostra que, em 2018, as companhias aéreas de todo o mundo gastaram, em conjunto, 69 mil milhões[2] de dólares em MRO, cerca de 9% dos seus custos operacionais. Por isso, as companhias aéreas procuram reduzir os custos de MRO com algoritmos avançados de predictive maintenance. O setor da aviação neerlandês está a trabalhar ativamente nesta área: o relatório anual mais recente[3] da KLM indica que a maior redução dos seus custos de MRO foi conseguida através de predictive maintenance.

Na indústria transformadora, os custos de MRO são ainda mais elevados[4] e podem representar entre 15% e 60% dos custos operacionais, consoante o tipo de indústria. Por isso, é crucial para estas organizações otimizar o MRO.

Abordagens à manutenção

Existem diferentes abordagens para inspecionar e manter equipamentos. Em geral, dividem-se em três categorias: reativa, preventiva e preditiva. A principal diferença está na forma como aproveitam a vida útil dos equipamentos, cujo percurso típico é apresentado na figura abaixo.

As primeiras atividades de manutenção eram de natureza reativa. Isto significa que o equipamento só era reparado quando surgia uma avaria. A desvantagem desta abordagem é que implica custos e riscos elevados: não se sabe quando uma máquina vai falhar nem qual será a dimensão dos danos. Se uma máquina não for utilizada nos dias seguintes (por exemplo, durante o fim de semana) e puder ser reparada a tempo, o impacto financeiro será limitado. Mas, se estiver em causa uma máquina de produção numa fábrica de automóveis onde é produzido um carro a cada minuto, ou o motor de um avião que voa no limite superior da troposfera, as consequências financeiras e/ou sociais podem ser consideráveis.Atualmente, grande parte da manutenção é preventiva, com inspeções e intervenções realizadas periodicamente. A manutenção preventiva permite evitar falhas inesperadas que acarretam custos e riscos elevados. No entanto, esta abordagem também não é ideal do ponto de vista dos custos: são inspecionadas ou sujeitas a manutenção peças e máquinas que ainda não chegaram ao fim da sua vida útil. Assim, a vida útil restante dessas peças e equipamentos não é plenamente aproveitada, o que gera custos desnecessários.Ao inspecionar e fazer a manutenção de peças e equipamentos no momento certo, pode evitar custos e riscos desnecessários. Isto é possível com a manutenção preditiva, ou predictive maintenance. Nesta abordagem, a manutenção é ajustada ao estado real das peças e das máquinas.

O que é a manutenção preditiva?

Predictive maintenance é uma metodologia de manutenção preditiva que procura identificar, no momento certo, os mecanismos de falha das máquinas e evitar uma maior degradação através de inspeções e intervenções de manutenção.

Os mecanismos de falha são detetados por algoritmos inteligentes que preveem o estado atual ou a vida útil restante das máquinas com base em dados dos sensores. Os sensores medem, entre outros fatores, vibrações, temperatura, som, composição do lubrificante, desempenho das máquinas e muitas outras características operacionais. Os algoritmos inteligentes são fórmulas matemáticas complexas cujos parâmetros se ajustam continuamente a novos dados dos sensores e à precisão das previsões. Assim, as previsões sobre o estado real das máquinas podem ser muito precisas, desde que existam dados de qualidade suficientes.

Há duas formas de prever as necessidades de manutenção. A primeira consiste em calcular a probabilidade de componentes ou máquinas falharem num determinado período futuro. A segunda consiste em prever quando os componentes vão falhar. A primeira opção fornece informação sobre o estado atual dos componentes e das máquinas e, assim, indiretamente, sobre a sua vida útil restante, enquanto a segunda determina diretamente a vida útil restante.

Para aplicar predictive maintenance, são necessários muitos dados de qualidade e as máquinas têm de estar equipadas com sensores. Por isso, o investimento inicial é relativamente elevado. No entanto, na maioria dos casos, as organizações já dispõem de um grande volume de dados históricos que utilizam para operar e gerir os seus processos. Estes dados são valiosos e podem ser usados para avaliar o potencial de predictive maintenance em aplicações específicas. O investimento inicial pode ser relativamente elevado, mas os benefícios são ainda maiores. Um estudo[5] do Departamento de Energia dos Estados Unidos mostra que um programa eficaz de predictive maintenance pode reduzir os custos de manutenção em 30%, diminuir o tempo de paragem em 45% e eliminar até 75% das avarias.

As vantagens e desvantagens.

É agora claro que predictive maintenance oferece inúmeras vantagens, sobretudo em termos de redução de custos e gestão de riscos. As vantagens de utilizar algoritmos inteligentes para prever as necessidades de manutenção podem resumir-se da seguinte forma:

• Maior vida útil dos componentes e das máquinas
• Menores custos de energia, mão de obra, manutenção e peças
• Menos paragens inesperadas (catastróficas) de componentes e máquinas
• Melhor serviço e qualidade dos produtos
• Maior segurança para os trabalhadores e para o ambiente
• Menor necessidade de equipamento de manutenção

A manutenção preditiva aumenta, assim, a eficiência operacional ao reduzir os custos e os riscos, melhorar a qualidade e promover práticas mais sustentáveis. No entanto, também apresenta desvantagens, que se podem resumir da seguinte forma:

• A gestão desconhece muitas vezes o potencial de poupança
• Elevado investimento inicial
• Custos de formação mais elevados para o pessoal de operação

Exemplo de um modelo preditivo.

Esta secção recorre a um artigo científico[6] publicado na International Conference on Circuits and Systems para demonstrar a precisão dos modelos de manutenção preditiva.

No artigo, são aplicados algoritmos de manutenção preditiva para prever, a partir de dados de sensores, o número de voos que resta aos motores de aeronaves, designado Remaining-Useful-Lifetime (RUL). Para isso, é utilizado o conjunto de dados Turbofan Degradation Simulation da NASA. Este conjunto de dados, dividido em quatro partes, consiste em séries temporais de três configurações operacionais e 21 medições de sensores de uma frota de motores de aeronaves ao longo de um determinado período. Os motores são do mesmo tipo, mas variam quanto ao método de fabrico e ao grau de desgaste. Estas diferenças, porém, não estão registadas no conjunto de dados.

No início das séries temporais, os motores funcionam como previsto, mas, com o tempo, começam a surgir falhas devido ao desgaste. Estes mecanismos de falha evoluem até os motores acabarem por avariar. As séries temporais utilizadas para treinar os algoritmos terminam algum tempo antes da avaria dos motores. Os algoritmos são então treinados para prever com a maior precisão possível quanto tempo falta até à avaria.

O artigo compara vários algoritmos, mas o Random Forest é o que apresenta melhor desempenho. A Figura 1 mostra as previsões deste algoritmo para os diferentes motores de aeronaves na primeira parte do conjunto de dados. As previsões mais precisas situam-se perto da diagonal, onde a vida útil restante (RUL) prevista é igual à RUL real.

Figura 1: algoritmo Random Forest para prever a vida útil restante.

O erro quadrático médio do algoritmo Random Forest na primeira parte do conjunto de dados é de aproximadamente 25. Isto significa que as previsões deste algoritmo sobre o número de voos que restam a um motor de aeronave antes de falhar diferem do número real, em média, em 5 voos. Na Figura 1, também podemos ver que o algoritmo é mais preciso quando a falha está próxima. É o que seria de esperar: é mais fácil fazer previsões sobre o futuro próximo do que sobre o futuro distante. Com previsões tão precisas, pode intervir atempadamente e prolongar a vida útil operacional das suas máquinas. Também pode acontecer que o número previsto de voos restantes seja superior ao número real. Nesse cenário indesejável, um motor de aeronave falha inesperadamente, com riscos e custos elevados. Por isso, é importante que o conhecimento humano na área de MRO e a IA se complementem, em vez de se substituírem. No caso de equipamentos cujo funcionamento tem consequências diretas para o bem-estar das pessoas e para a natureza, é importante que a manutenção preventiva e a manutenção preditiva andem de mãos dadas.

Data Science Lab e manutenção preditiva.

Trabalha numa organização que utiliza máquinas de forma intensiva? Procura uma política de manutenção mais sustentável? Quer reduzir os custos de MRO e aumentar a eficiência operacional? Convidamo-lo a visitar o nosso Lab para descobrirmos em conjunto de que técnicas a sua organização precisa e quais são as mais adequadas.

Referências

Para mais informações sobre as possibilidades da manutenção preditiva, consulte as fontes abaixo.

• Mobley, R. Keith. An introduction to predictive maintenance. Elsevier, 2002.
• Selcuk, Sule. "Predictive maintenance, its implementation and latest trends." Proceedings of the Institution of Mechanical Engineers, Part B: Journal of Engineering Manufacture9 (2017): 1670-1679.

1. https://www.iata.org/en/pressroom/pr/2018-10-24-02/
2. Airline Maintenance Cost Executive Commentary Edition 2019 - https://www.iata.org/contentassets/bf8ca67c8bcd4358b3d004b0d6d0916f/mctg-fy2018-report-public.pdf
3. KLM Annual Report 2019 - https://www.klm.com/travel/nl_nl/images/KLM-Jaarverslag-2019_tcm541-1063986.pdf
4. Mobley, R. Keith. An introduction to predictive maintenance. Elsevier, 2002.
5. “Operations & Maintenance Best Practices: A Guide to Achieving Operational Effi‐ciency,” US Department of Energy Federal Energy Management Program, agosto de 2010
6. Mathew, Vimala, et al. "Prediction of Remaining Useful Lifetime (RUL) of turbofan engine using machine learning." 2017 IEEE International Conference on Circuits and Systems (ICCS). IEEE, 2017.

020-3031414