A PdM (manutenção preditiva) antecipa as necessidades de manutenção para evitar custos associados a tempo de inatividade não agendado. Conectando-se a dispositivos e monitorando os dados produzidos por eles, você pode identificar padrões que levam a possíveis problemas ou falhas. Você pode então usar essas informações para solucionar problemas antes que eles ocorram. Essa capacidade de prever quando o equipamento ou os ativos precisam de manutenção permite otimizar o tempo de vida dos equipamentos e minimizar o tempo de inatividade.
A PdM extrai insights dos dados produzidos pelo equipamento no chão de fábrica e age com base nesses insights. A ideia de PdM remonta ao início dos anos 1990. A PdM aumenta regularmente a manutenção preventiva programada. No início, a falta de disponibilidade de sensores para geração de dados, bem como a falta de recursos computacionais para reunir e analisar os dados, dificultava a implementação da PdM. Hoje, por causa dos avanços da IoT (Internet das coisas), na computação em nuvem, na análise de dados e no aprendizado de máquina, a PdM pode se tornar mainstream.
A PdM requer dados de sensores que monitoram o equipamento e outros dados operacionais. O sistema de PdM analisa os dados e armazena os resultados. Os seres humanos agem com base na análise.
Depois de apresentar algumas informações contextuais neste artigo, discutiremos como implementar as várias partes de uma solução de PdM usando uma combinação de dados locais, do Azure Machine Learning e do uso dos modelos de aprendizado de máquina. O PdM depende muito de dados para tomar decisões, portanto, vamos começar examinando a coleta de dados. Os dados devem ser coletados e, em seguida, usados para avaliar o que está acontecendo agora, bem como usados para construir melhores modelos preditivos no futuro. Finalmente, explicamos como é uma solução de análise, incluindo a visualização dos resultados da análise, em uma ferramenta de relatório como o Microsoft Power BI.
Estratégias de manutenção
Durante a história da manufatura, várias estratégias de manutenção surgiram:
- A manutenção reativa corrige problemas depois que eles ocorrem.
- A manutenção preventiva corrige os problemas antes que eles ocorram, seguindo um agendamento de manutenção com base na experiência de falha anterior.
- A PdM também corrige os problemas antes de eles ocorrerem, mas considera a utilização real do equipamento, em vez de trabalhar com base em um agendamento fixo.
Das três, a PdM foi a mais difícil de se atingir, devido às limitações para coleta, processamento e visualização de dados. Vamos examinar cada uma dessas estratégias mais detalhadamente.
Manutenção reativa
A manutenção reativa realiza manutenção no ativo somente quando o ativo falha. Por exemplo, o motor de seu centro de usinagem CNC de 5 eixos recebe manutenção somente quando deixa de funcionar. A manutenção reativa maximiza a vida útil dos componentes. Também introduz, entre outros problemas, quantidades desconhecidas de tempo de inatividade e danos colaterais inesperados causados por componentes com falha.
Manutenção preventiva
A manutenção preventiva realiza a manutenção de ativos em intervalos pré-determinados. O intervalo para um ativo é normalmente baseado na frequência de falhas conhecidas do ativo, no desempenho histórico, nas simulações e na modelagem estatística. A vantagem da manutenção preventiva é que ela aumenta o tempo de atividade, resulta em menos falhas e permite que a manutenção seja planejada. A desvantagem, em muitos casos, é que pode ter restado alguma vida útil no ativo substituído. Isso resulta em desperdício e excesso de manutenção. Por outro lado, as peças podem falhar antes da manutenção programada. Você provavelmente conhece bem a manutenção preventiva: após cada conjunto determinado de horas de operação (ou alguma outra métrica), você para a máquina, a inspeciona e substitui as peças que devem ser substituídas.
PdM
A PdM usa modelos para prever quando um ativo provavelmente terá uma falha de componente, para que a manutenção just-in-time possa ser agendada. A PdM aprimora as estratégias anteriores maximizando o tempo de atividade e a vida útil do ativo. Como você realiza a manutenção no equipamento perto do tempo de vida máximo do componente, você gasta menos dinheiro na substituição de peças funcionais. A desvantagem é que a natureza just-in-time da PdM é mais difícil de executar, pois ela exige uma organização de manutenções mais responsiva e flexível. De volta ao motor do centro de usinagem CNC de 5 eixos, com a PdM você agenda sua manutenção em um momento conveniente e próximo ao tempo esperado de falha do motor.
Diferentes maneiras em que a PdM pode ser oferecida
Um fabricante pode usar a PdM para monitorar suas próprias operações de fabricação. Também pode usá-la de maneiras que forneçam novas oportunidades de negócios e fluxos de receita. Por exemplo:
- Um fabricante agrega valor para seus clientes, oferecendo serviços de PdM para seus produtos.
- Um fabricante oferece seus produtos em um modelo de produto como um serviço, em que os clientes assinam o produto, em vez de comprá-lo diretamente. Nesse modelo, o fabricante deseja maximizar o tempo de atividade do produto: o produto não gerará receita quando não estiver funcionando.
- Uma empresa fornece produtos e serviços PdM para produtos fabricados por outros fabricantes.
Criar uma solução de PdM
Para criar uma solução de PdM, começamos com dados. O ideal é que os dados mostrem o funcionamento normal e o estado do equipamento antes, durante e depois das falhas. Os dados vêm de sensores, observações mantidas pelos operadores do equipamento, informações de execução, dados ambientais, especificações da máquina, etc. Os sistemas de registro podem incluir historiadores, sistemas de execução de manufatura, ERP (planejamento de recursos empresariais) e assim por diante. Os dados são disponibilizados para análise de várias maneiras. O diagrama a seguir ilustra o TDSP (Processo de ciência de dados da equipe). O processo é personalizado para fabricação e faz um excelente trabalho explicando as diversas preocupações que se tem ao criar e executar modelos de machine learning.
Sua primeira tarefa é identificar os tipos de falhas que você deseja prever. Com isso em mente, você então identifica as fontes de dados que têm dados relevantes relacionados a esse tipo de falha. O pipeline obtém os dados no sistema do seu ambiente. Os cientistas de dados usam suas ferramentas de aprendizado de máquina favoritas para preparar os dados. Nesse ponto, eles estarão prontos para criar e treinar modelos que podem identificar os diferentes tipos de problemas. Os modelos respondem a perguntas como:
- Para o ativo, qual é a probabilidade de ocorrer uma falha nas próximas X horas? Resposta: 0 a 100%
- Qual é a vida útil restante do ativo? Resposta: X horas
- Esse ativo está se comportando de maneira incomum? Resposta: Sim ou Não
- Qual ativo requer manutenção com mais urgência? Resposta: o ativo X
Depois de desenvolvidos, os modelos podem ser executados:
- No próprio equipamento para autodiagnóstico.
- em um dispositivo de borda no ambiente de manufatura.
- Azure.
Depois da implantação, você continua a criar e manter a solução de PdM.
Com o Azure, você pode treinar e testar os modelos em sua tecnologia de escolha. Você pode usar GPUs, FPGAs (field-programmable gate arrays), CPUs, máquinas de memória grande e assim por diante. O Azure adota totalmente as ferramentas de código aberto que os cientistas de dados usam, como R e Python. Conforme a análise é concluída, os resultados podem ser exibidos em outros aspectos do painel ou em outros relatórios. Esses relatórios podem aparecer em ferramentas personalizadas ou em ferramentas de relatório como o Power BI.
Independentemente das suas necessidades de PdM, o Azure tem as ferramentas, a escala e os recursos para criar uma solução sólida.
Introdução
Muitos equipamentos encontrados no chão de fábrica geram dados. Comece a coletar os dados assim que possível. Conforme as falhas ocorrem, faça com que os cientistas de dados analisem os dados para criar modelos que possam detectar falhas futuras. Conforme o conhecimento sobre a detecção de falhas aumentar, você passará para o modo preditivo, em que você conserta os componentes durante o tempo de inatividade planejado. O Guia de modelagem de manutenção preditiva fornece um passo a passo sólido de como criar as partes de aprendizado de máquina da solução.
Se você precisar aprender sobre a construção de modelos, recomendamos visitar Fundamentos da ciência de dados para aprendizado de máquina. O módulo Introdução ao aprendizado de máquina do Azure apresenta as ferramentas do Azure.
Componentes
O Armazenamento de Blobs do Azure é um armazenamento de objetos escalonável e seguro para dados não estruturados. Você pode usá-lo para arquivos, data lakes, computação de alto desempenho, machine learning e cargas de trabalho nativas de nuvem.
O Azure Cosmos DB é um banco de dados NoSQL escalável, altamente responsivo e totalmente gerenciado para o desenvolvimento de aplicativos modernos. Isso oferece segurança de nível empresarial e dá suporte a APIs para muitos bancos de dados, idiomas e plataformas. Exemplos incluem SQL, MongoDB, Gremlin, Table e Apache Cassandra. As opções de dimensionamento automático sem servidor no Azure Cosmos DB gerenciam com eficiência as demandas de capacidade dos aplicativos.
O Azure Data Lake Storage é um serviço de armazenamento extremamente escalonável e seguro para cargas de trabalho de análise de alto desempenho. Normalmente, os dados vêm de várias fontes heterogêneas e podem ser estruturados, semiestruturados ou não estruturados. O Data Lake Storage Gen2 combina os recursos do Data Lake Storage Gen1 com o armazenamento de blobs e fornece semântica do sistema de arquivos, segurança no nível do arquivo e escala. Ele também oferece as funcionalidades de armazenamento em camadas, de alta disponibilidade e de recuperação de desastre do Armazenamento de Blobs.
Os Hubs de Eventos do Azure são um plataforma de streaming de dados altamente escalonável e um serviço de ingestão de dados capaz de receber e processar milhões de eventos por segundo. Os Hubs de Eventos podem processar e armazenar eventos, dados ou telemetria produzidos pelos dispositivos e software distribuídos. Os dados enviados para um hub de eventos podem ser transformados e armazenados usando qualquer provedor de análise em tempo real ou adaptadores de envio em lote/de armazenamento. Os Hubs de Eventos oferecem funcionalidades de publicação/assinatura com baixa latência em grande escala, o que é apropriado para cenários de Big Data.
O Azure IoT Edge implanta cargas de trabalho na nuvem para serem executados em serviços de borda por meio de contêineres padrão. Os dispositivos inteligentes do IoT Edge podem responder rapidamente e off-line, reduzindo a latência e o uso de largura de banda e aumentando a confiabilidade. Eles também podem limitar os custos pré-processando e enviando apenas os dados necessários para a nuvem. Os dispositivos podem executar módulos de IA e de aprendizado de máquina, serviços do Azure e de terceiros e lógica de negócios personalizada.
O hub IoT do Azure é um serviço completamente gerenciado que permite uma comunicação bidirecional confiável e segura entre milhões de dispositivos IoT e um back-end baseado na nuvem. Ele fornece autenticação por dispositivo, roteamento de mensagens, integração com outros serviços do Azure e gerenciamento de recursos para controlar e configurar os dispositivos.
O Azure Machine Learning é um serviço de machine learning de nível corporativo para criar e implantar modelos rapidamente. Ele fornece aos usuários em todos os níveis de habilidade um designer de código baixo, machine learning automatizado e um ambiente do Jupyter Notebook hospedado que dá suporte a vários IDEs.
O aprendizado de máquina habilita os computadores a aprenderem com os dados e as experiências e a agirem sem serem explicitamente programados. Os clientes podem criar aplicativos de IA que detectam, processam e agem de maneira inteligente com relação às informações, aumentando as capacidades humanas, aumentando a velocidade e a eficiência e ajudando as organizações a conquistarem mais.
O Barramento de Serviço do Azure é um agente de mensagens empresarial totalmente gerenciado com filas de mensagens e tópicos de publicação/assinatura. Ele é usado para conectar aplicativos, serviços e dispositivos. Junto com a retransmissão do Azure, o barramento de serviço pode se conectar remotamente a aplicativos e serviços hospedados.
O SQL do Azure é uma família de bancos de dados SQL em nuvem que fornece uma experiência unificada para todo o seu portfólio de SQL e uma ampla gama de opções de implantação de borda à nuvem.
O Banco de Dados SQL do Azure, parte da família SQL do Azure, é um mecanismo de banco de dados de PaaS (plataforma como serviço) totalmente gerenciado. Ele sempre é executado na versão estável mais recente do mecanismo de banco de dados do SQL Server e em um sistema operacional com patch. Ele lida com a maioria das funções de gerenciamento de banco de dados para você, incluindo atualização, aplicação de patch, backups e monitoramento. Ele fornece a mais ampla compatibilidade de mecanismo do SQL Server, para que você possa migrar seus bancos de dados do SQL Server sem alterar seus aplicativos.
Power BI: é um conjunto de ferramentas de análise de negócios que fornece os recursos necessários para criar visualizações de dados interativas avançadas. Inclui serviços, aplicativos e conectores que podem transformar fontes não relacionadas de dados em insights coerentes, visualmente imersivos e interativos. Você pode usar o Power BI para se conectar a centenas de fontes de dados, simplificar a preparação dos dados e oferecer suporte à análise ad hoc.
O Azure Data Explorer é um serviço de exploração de dados rápido e altamente escalonável para dados telemétricos e de log. Você pode usar o Azure Data Explorer para desenvolver um serviço de série temporal. O Azure Data Explorer inclui suporte nativo para criação, manipulação e análise de várias séries temporais com soluções e fluxos de trabalho de monitoramento quase em tempo real.
O Azure Data Explorer pode ingerir dados de Hub IoT do Azure, Hubs de Eventos do Azure, Azure Stream Analytics, Power Automate, Aplicativos Lógicos do Azure, Kafka, Apache Spark e muitos outros serviços e plataformas. A ingestão é escalonável e não há limites. Os formatos de ingestão do Azure Data Explorer com suporte incluem JSON, CSV, Avro, Parquet, ORC, TXT e outros formatos.
A interface do usuário da Web do Azure Data Explorer permite executar consultas e criar painéis de visualização de dados. O Azure Data Explorer também se integra a outros serviços de painel como Power BI, Grafana e outras ferramentas de visualização de dados que usam conectores ODBC e JDBC. O conector do Azure Data Explorer nativo otimizado para Power BI dá suporte ao modo de consulta ou importação direta, incluindo parâmetros de consulta e filtros. Para obter mais informações, confira Visualização de dados com o Azure Data Explorer.
Conclusão
A PdM aumenta as agendas de manutenção preventiva, identificando os componentes específicos para inspecionar e reparar ou substituir. Ela requer máquinas instrumentadas e conectadas para fornecer dados para a criação de soluções de PdM.
A infraestrutura da Microsoft pode ajudá-lo a criar soluções executadas no dispositivo, na borda e na nuvem. Há muitos recursos para ajudá-lo a começar.
Para começar, selecione dentre as três das principais falhas que você gostaria de evitar e inicie o processo de descoberta com esses itens. Em seguida, identifique como obter os dados que ajudam a identificar as falhas. Combine esses dados com as habilidades que você aprende no curso Fundamentos da ciência de dados para aprendizado de máquina para criar seus modelos de PdM.
Colaboradores
Esse artigo é mantido pela Microsoft. Ele foi originalmente escrito pelos colaboradores a seguir.
Autor principal:
- Scott Seely | Arquiteto de software
Próximas etapas
- Introdução ao Armazenamento de Blobs do Azure
- Documentação do Azure Cosmos DB
- Documentação do Azure Data Lake Storage Gen1
- Documentação dos Hubs de Eventos do Azure
- Documentação do Azure IoT Edge
- Documentação do Hub IoT do Azure
- Documentação do Azure Machine Learning
- Documentação das Mensagens do Barramento de Serviço do Azure
- Documentação da Retransmissão do Azure
- Documentação do SQL Azure
- Documentação do Power BI
- Análise de série temporal no Azure Data Explorer