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. Os custos de MRO também continuarão a aumentar. As companhias aéreas enfrentam um desafio considerável: conter esses 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 IA. Permite também 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 inteligentes de manutenção é música para os ouvidos de muitas organizações. A ideia da manutenção preditiva é bastante simples: utilizar dados de sensores e IA para fazer a manutenção das máquinas atempadamente, reduzindo assim os custos de MRO e o tempo de inatividade não planeado. Até há pouco tempo, os algoritmos necessários para a manutenção preditiva 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 IA sucederam-se a um ritmo acelerado e os sensores tornaram-se mais precisos e menos dispendiosos. Isto reduz a barreira de investimento, inicialmente elevada, e torna a manutenção preditiva cada vez mais acessível e atrativa para um número crescente de organizações.

Os setores da energia, dos transportes, da indústria transformadora e das tecnologias da informação estão na linha da frente da manutenção preditiva. Isto não surpreende, sobretudo no setor da aviação. Segundo um relatório anual do Maintenance Cost Technical Group da IATA, as companhias aéreas de todo o mundo gastaram, em conjunto, 69 mil milhões de dólares em MRO em 2018[2], o equivalente a cerca de 9% dos seus custos operacionais. Por isso, procuram reduzir os custos de MRO com algoritmos de manutenção preditiva de última geração. O setor da aviação nos Países Baixos está a trabalhar ativamente nesta área: no relatório anual mais recente[3] da KLM, pode ler-se que a maior redução dos seus custos de MRO foi conseguida através da manutenção preditiva.

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

Técnicas de manutenção

Existem diferentes abordagens à inspeção e manutenção de equipamentos. Geralmente, classificam-se como reativas, preventivas ou preditivas. 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 reativas: o equipamento só era reparado quando surgia uma avaria. Esta abordagem implicava custos e riscos elevados, pois não era possível saber quando uma máquina iria falhar nem qual seria a dimensão dos danos. Se uma máquina não fosse utilizada nos dias seguintes (por exemplo, durante o fim de semana) e pudesse ser reparada a tempo, o prejuízo financeiro seria limitado. Mas, no caso de uma máquina de produção numa fábrica de automóveis que produz um carro por minuto, ou do motor de um avião que voa junto ao limite superior da troposfera, as consequências financeiras e/ou sociais poderiam ser consideráveis. Hoje, grande parte da manutenção é preventiva, com inspeções e intervenções realizadas periodicamente. A manutenção preventiva permite-lhe evitar falhas inesperadas associadas a custos e riscos elevados. No entanto, esta abordagem também não é ideal do ponto de vista dos custos: inspecionam-se ou intervém-se em componentes e máquinas que ainda não chegaram ao fim da sua vida útil. Assim, não se aproveita plenamente a vida útil restante desses componentes e equipamentos, o que gera custos desnecessários. Ao inspecionar e fazer a manutenção de componentes e equipamentos no momento certo, evita custos e riscos desnecessários. É isso que permite a manutenção preditiva, ou predictive maintenance: ajustar a manutenção ao estado real dos componentes e das máquinas.

O que é a manutenção preditiva?

Predictive maintenance é uma abordagem de manutenção preditiva cujo objetivo é detetar, no momento certo, os mecanismos de falha das máquinas e evitar uma maior degradação através de inspeções e intervenções de manutenção.

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

Há duas formas de prever as necessidades de manutenção. A primeira consiste em calcular a probabilidade de os componentes ou as máquinas falharem num determinado período futuro. A segunda consiste em prever quando os componentes irão falhar. A primeira fornece informações sobre o estado atual dos componentes e das máquinas e, por isso, indiretamente sobre a vida útil restante. A segunda estima diretamente essa vida útil restante.

A aplicação de predictive maintenance exige muitos dados de qualidade e requer que as máquinas sejam equipadas com sensores. Por isso, o investimento inicial é relativamente elevado. No entanto, na maioria dos casos, as organizações já dispõem de um vasto conjunto de dados históricos que utilizam para controlar e gerir os seus processos. Estes dados podem ser usados para avaliar o potencial de predictive maintenance em aplicações específicas. Embora o investimento inicial possa ser relativamente elevado, os benefícios são ainda maiores. Um estudo[5] do Departamento de Energia dos Estados Unidos mostra que um programa de predictive maintenance eficaz pode reduzir os custos de manutenção em 30%, o tempo de paragem em 45% e as falhas em até 75%.

As vantagens e desvantagens.

É já evidente que predictive maintenance oferece inúmeras vantagens, sobretudo na redução de custos e na 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 períodos de paragem inesperados (catastróficos) dos componentes e das máquinas
• Melhor serviço e qualidade dos produtos
• Maior segurança para os trabalhadores e o ambiente
• Menor necessidade de equipamentos de manutenção

A aplicação da manutenção preditiva resulta, por isso, numa maior eficiência operacional, graças a custos mais baixos, maior qualidade, menos riscos e práticas mais sustentáveis. No entanto, também existem desvantagens, que podem ser resumidas da seguinte forma:

• A gestão muitas vezes desconhece o potencial de poupança
• Investimento inicial elevado
• Custos de formação mais elevados para os operadores

Exemplo de um modelo preditivo.

Esta secção demonstra a precisão dos modelos de manutenção preditiva com base num artigo científico[6] publicado durante a International Conference on Circuits and Systems.

O artigo aplica algoritmos de manutenção preditiva a dados de sensores para prever o número de voos restantes até à falha de motores de avião, designado por Remaining-Useful-Lifetime (RUL). Para isso, utiliza o conjunto de dados Turbofan Degradation Simulation da NASA. Este conjunto de dados, dividido em quatro partes, contém séries temporais de três parâmetros operacionais e 21 medições de sensores de uma frota de motores de avião ao longo de um determinado período. Os motores são do mesmo tipo, mas variam no método de fabrico e no grau de desgaste. Estas diferenças não estão, contudo, registadas no conjunto de dados.

No início das séries temporais, os motores de avião funcionam como previsto, mas, com o tempo, o desgaste provoca as primeiras falhas. Estes mecanismos de falha evoluem até os motores deixarem de funcionar. As séries temporais utilizadas para treinar os algoritmos terminam algum tempo antes de os motores falharem. Os algoritmos são então treinados para prever, com a maior precisão possível, o tempo restante até à falha em cada série temporal.

O artigo compara vários algoritmos, mas o Random Forest é o que apresenta melhores resultados. A Figura 1 mostra as previsões do algoritmo Random Forest para diferentes motores de avião na primeira parte do conjunto de dados. As previsões precisas situam-se perto da diagonal, onde a 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 suas previsões do número de voos que um motor de avião ainda pode realizar antes de falhar diferem do número real em média 5 voos. A Figura 1 também mostra 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 um futuro distante. Com previsões tão precisas, pode intervir atempadamente e prolongar a vida operacional das suas máquinas. Também pode acontecer que o número previsto de voos restantes seja superior ao número real. Neste cenário indesejável, um motor de avião falha inesperadamente, o que acarreta riscos e custos elevados. Por isso, é importante que o conhecimento humano na área de MRO e a inteligência artificial se complementem, em vez de se substituírem. No caso de equipamentos cujo funcionamento tem consequências diretas para o bem-estar das pessoas e da natureza, é importante que a manutenção preventiva e a predictive maintenance andem de mãos dadas.

Data Science Lab e predictive maintenance.

Trabalha numa organização que utiliza máquinas intensivamente? Procura uma política de manutenção mais sustentável? Quer reduzir os custos de MRO e aumentar a eficiência operacional? Teremos todo o gosto em recebê-lo no nosso Lab para descobrirmos em conjunto de que técnicas precisa e quais se adequam à sua organização.

Referências

Para mais informações sobre as possibilidades da predictive maintenance, 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