Manutenção Preditiva com IoT: Reduzindo Tempos de Inatividade na Indústria

A manutenção preditiva com IoT envolve o uso de dados coletados de sensores e dispositivos conectados para prever quando é provável que ocorra uma falha ou seja necessária a manutenção em um equipamento ou sistema. Os algoritmos de aprendizado de máquina (Machine Learning) desempenham um papel crucial nesse processo, pois permitem analisar os dados históricos e em tempo real para identificar padrões e tendências que indiquem a necessidade de manutenção.

Alguns dos algoritmos de aprendizado de máquina mais comumente utilizados para a manutenção preditiva com IoT são:

Regressão: Os algoritmos de regressão, como a regressão linear, a regressão logística e a regressão de vetores de suporte (SVR), são utilizados para prever valores contínuos, como o tempo restante até a falha ou o desgaste de um componente.

Classificação: Os algoritmos de classificação, como as árvores de decisão, as máquinas de vetores de suporte (SVM), as redes neurais e as florestas aleatórias, são utilizados para classificar os dados em categorias, como "falha iminente" ou "funcionamento normal".

Aprendizado profundo: As redes neurais profundas, como as redes neurais convolucionais (CNN) e as redes neurais recorrentes (RNN), são eficazes para o processamento de dados de séries temporais e a extração de características complexas dos dados de sensores.

Agrupamento (Clustering): Os algoritmos de agrupamento, como K-means e DBSCAN, são utilizados para identificar padrões e anomalias nos dados, o que pode ajudar a detectar condições anormais que possam indicar a necessidade de manutenção.

Detecção de anomalias: Os algoritmos de detecção de anomalias, como a análise de componentes principais (PCA) e os modelos de isolamento florestal (Isolation Forest), são utilizados para identificar padrões de dados que se desviam significativamente do esperado, o que pode indicar uma falha iminente.

Modelos de sobrevivência: Os modelos de sobrevivência, como o modelo de riscos proporcionais de Cox, são utilizados para estimar a probabilidade de que um componente ou sistema sobreviva (funcione corretamente) durante um período de tempo determinado.

A escolha do algoritmo de aprendizado de máquina mais adequado depende de vários fatores, como o tipo de dados disponíveis, a natureza do problema de manutenção preditiva e os requisitos de precisão e desempenho. Em muitos casos, são utilizadas abordagens de aprendizado de máquina híbridas ou em conjunto que combinam vários algoritmos para aproveitar suas forças individuais e melhorar o desempenho geral.

Além disso, é importante ter em conta que o processo de manutenção preditiva com IoT não só implica a seleção e o treinamento de algoritmos de aprendizado de máquina, mas também a coleta e preparação de dados de alta qualidade, a integração com sistemas de IoT e a implementação de fluxos de trabalho eficientes para a tomada de decisões e a programação da manutenção.

A seguir, são citados diferentes artigos científicos com base em seus algoritmos:

G. A. Susto, A. Schirru, S. Pampuri, S. McLoone e A. Beghi,
"Machine Learning for Predictive Maintenance: A Multiple Classifier Approach," em IEEE Transactions on Industrial Informatics, vol. 11, no. 3, pp. 812-820, junho 2015, doi: 10.1109/TII.2014.2349359.

Este artigo apresenta uma metodologia de aprendizado de máquina (ML) com múltiplos classificadores para a manutenção preditiva (PdM). O PdM é uma estratégia proeminente para abordar os problemas de manutenção dada a crescente necessidade de minimizar os tempos de inatividade e os custos associados. Um dos desafios do PdM é gerar os chamados "fatores de saúde", ou indicadores quantitativos, do estado de um sistema associado a um problema de manutenção dado, e determinar sua relação com os custos operacionais e o risco de falha. A metodologia PdM proposta permite adotar regras de decisão dinâmicas para a gestão da manutenção, e pode ser usada com problemas de dados de alta dimensão e censurados. Isso é alcançado treinando múltiplos módulos de classificação com diferentes horizontes de previsão para fornecer diferentes compensações de desempenho em termos de frequência de interrupções inesperadas e vida útil não aproveitada, e então empregando essa informação em um sistema de decisão de manutenção baseado em custos operacionais para minimizar os custos esperados. A efetividade da metodologia é demonstrada utilizando um exemplo simulado e um problema de manutenção de fabricação de semicondutores de referência.

A crescente disponibilidade de dados está mudando a forma como as decisões são tomadas na indústria em áreas importantes como programação, gestão de manutenção e melhoria da qualidade. Foi demonstrado que as abordagens de aprendizado de máquina (ML) fornecem soluções cada vez mais eficazes nessas áreas, facilitadas pelas crescentes capacidades de hardware, soluções baseadas em nuvem e novos algoritmos de ponta introduzidos recentemente. Ao mesmo tempo, a gestão eficiente das atividades de manutenção está se tornando essencial para diminuir os custos associados ao tempo de inatividade e aos produtos defeituosos, especialmente em indústrias de manufatura avançadas e altamente competitivas, como a fabricação de semicondutores.

Sherien Elkateb, Ahmed Métwalli, Abdelrahman Shendy, Ahmed E.B. Abu-Elanien,

Abordagem de manutenção preditiva baseada em Machine Learning e IoT para aplicações industriais,

Alexandria Engineering Journal, Volume 88, 2024, Páginas 298-309, ISSN 1110-0168,

O artigo apresenta um sistema de manutenção preditiva que utiliza aprendizado de máquina para classificar diferentes tipos de paradas de máquina em tempo real para máquinas de tecelagem na indústria têxtil. O sistema coleta dados de sensores habilitados para IoT nas máquinas, incluindo velocidades e passos da máquina. Esses dados são pré-processados e alimentados a um modelo de aprendizado de máquina AdaBoost para classificar seis tipos de paradas de máquina: parada de porta, parada de alimentador, parada de agulha, parada de rolo completo, parada de inatividade e parada de lycra. O modelo foi otimizado através do ajuste de hiperparâmetros e validação cruzada, alcançando uma precisão de 92% no conjunto de teste. O sistema proposto tem como objetivo permitir ações de manutenção oportunas ao prever com precisão as paradas da máquina, melhorando assim a eficiência e a produtividade no processo de fabricação têxtil. Os benefícios chave incluem a redução do tempo de inatividade, o aumento da disponibilidade da máquina e as intervenções de manutenção específicas baseadas na identificação das causas raiz das paradas.

Detecção de Anomalias para Manutenção Preditiva na Indústria 4.0 - Uma pesquisa

Pooja Kamat e Rekha Sugandhi, E3S Web Conf., 170 (2020) 02007

DOI: https://doi.org/10.1051/e3sconf/202017002007

O artigo analisa a importância da manutenção preditiva (PdM) para melhorar a disponibilidade dos ativos e evitar tempos de inatividade imprevistos nas indústrias de manufatura. As estratégias de manutenção tradicionais envolvem compensações entre operar o equipamento até que ele falhe ou substituir peças boas prematuramente. O PdM tem como objetivo otimizar a vida útil restante ao mesmo tempo que minimiza o tempo de inatividade por meio da detecção precoce de anomalias. O núcleo do PdM reside em identificar anomalias no funcionamento do equipamento em um estágio inicial utilizando técnicas de detecção de anomalias. O artigo descreve os desafios com os métodos tradicionais de detecção de anomalias e propõe uma abordagem inovadora de aprendizado profundo para prever anormalidades antes da falha real da maquinaria. Destaca como a Internet Industrial das Coisas (IIoT) e os dados de sensores permitem a análise preditiva para o monitoramento da saúde do equipamento. No entanto, os complexos processos de fabricação dificultam a definição de regras de alerta. O documento motiva a necessidade de uma detecção eficiente de anomalias utilizando inteligência artificial para viabilizar a manutenção preditiva e reduzir os custos associados ao tempo de inatividade imprevisto.

D. Jung, Z. Zhang e M. Winslett,
"Análise de Vibração para Manutenção Preditiva Habilitada por IoT," 2017 IEEE 33ª Conferência Internacional sobre Engenharia de Dados (ICDE), San Diego, CA, EUA, 2017, pp. 1271-1282, doi: 10.1109/ICDE.2017.170.

O artigo analisa a crescente importância dos sensores de vibração para a manutenção preditiva em sistemas industriais de Internet das Coisas (IoT). Os sensores de vibração conectados a equipamentos como motores e tubulações podem fornecer informações sobre seu estado operacional. No entanto, a amostragem não contínua e a dificuldade para interpretar os dados de vibração apresentam desafios.

Os autores propõem uma nova estrutura analítica projetada especificamente para a análise de vibrações que permite uma estimativa precisa da vida útil restante (RUL) do equipamento. Isso pode otimizar a programação de substituições e a manutenção. Suas avaliações empíricas em locais de fabricação mostraram que a estrutura permitiu prolongar a vida útil média do equipamento em 1,2 vezes e reduzir os custos de substituição em 20%.

Destacam-se as principais vantagens dos novos sensores de vibração baseados em MEMS: são leves, eficientes em termos de energia, baratos e podem revelar o estado do equipamento através de padrões de vibração independentes de fatores externos. A análise de vibrações permite a manutenção preditiva ao monitorar a saúde do equipamento em tempo real em vez de períodos de substituição fixos.

No entanto, os dados de vibração são de alta dimensionalidade e requerem uma seleção eficaz de características. O motor analítico também precisa lidar com dados assíncronos e incompletos de sensores com largura de banda/energia limitados para a modelagem preditiva.