Editar

Introdução à manutenção preditiva na manufatura

Azure Data Lake Storage
Azure Event Hubs
Azure IoT Hub
Azure IoT Edge
Azure Machine Learning

A manutenção preditiva (PdM) antecipa as necessidades de manutenção para evitar custos associados a tempos de inatividade não programados. Ao conectar-se a dispositivos e monitorar os dados que os dispositivos produzem, você pode identificar padrões que levam a possíveis problemas ou falhas. Em seguida, você pode usar essas informações para resolver problemas antes que eles aconteçam. Essa capacidade de prever quando equipamentos ou ativos precisam de manutenção permite otimizar a vida útil do equipamento e minimizar o tempo de inatividade.

O PdM extrai insights dos dados produzidos pelo equipamento no chão de fábrica e, em seguida, atua sobre esses insights. A ideia do PdM remonta ao início da década de 1990. O PdM aumenta a manutenção preventiva programada regularmente. No início, a indisponibilidade de sensores para gerar dados e a falta de recursos computacionais para coletar e analisar dados dificultaram a implementação do PdM. Hoje, devido aos avanços na Internet das Coisas (IoT), computação em nuvem, análise de dados e aprendizado de máquina, o PdM pode se tornar mainstream.

O PdM requer dados de sensores que monitoram o equipamento e outros dados operacionais. O sistema PdM analisa os dados e armazena os resultados. Os seres humanos agem com base na análise.

Depois de introduzir alguns antecedentes neste artigo, discutimos como implementar as várias partes de uma solução PdM usando uma combinação de dados locais, Azure Machine Learning e modelos de aprendizado de máquina. O PdM depende fortemente de dados para tomar decisões, por isso começamos por analisar a recolha 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. Por fim, 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

Ao longo da história da fabricação, 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 cronograma de manutenção com base na experiência anterior de falhas.
  • O PdM também corrige problemas antes que eles ocorram, mas considera a utilização real do equipamento em vez de trabalhar a partir de um cronograma fixo.

Dos três, o PdM foi o mais difícil de alcançar devido a limitações na coleta, processamento e visualização de dados. Vamos analisar cada uma dessas estratégias com mais detalhes.

Manutenção reativa

A manutenção reativa presta serviços ao ativo apenas quando o ativo falha. Por exemplo, o motor do seu centro de usinagem CNC de 5 eixos é reparado apenas quando para 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.

Diagrama que ilustra a manutenção reativa.

Manutenção preventiva

Serviços de manutenção preventiva de ativos em intervalos pré-determinados. O intervalo para um ativo normalmente é baseado na frequência de falha conhecida, desempenho histórico, simulações e modelagem estatística do ativo. 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 o componente substituído tem alguma vida restante. Isto resulta em excesso de manutenção e desperdício. Por outro lado, as peças podem falhar antes da manutenção programada. Você provavelmente conhece bem a manutenção preventiva: após cada hora definida de operação (ou alguma outra métrica), você para a máquina, inspeciona-a e substitui todas as peças que devem ser substituídas.

Diagrama que ilustra a manutenção preventiva.

PdM

O PdM usa modelos para prever quando um ativo provavelmente terá uma falha de componente, para que a manutenção just-in-time possa ser agendada. O PdM melhora as estratégias anteriores maximizando o tempo de atividade e a vida útil dos ativos. Uma vez que faz a manutenção do equipamento em momentos próximos da vida útil máxima do componente, gasta menos dinheiro a substituir peças de trabalho. A desvantagem é que a natureza just-in-time do PdM é mais difícil de executar, uma vez que requer uma organização de serviços mais ágil e flexível. De volta ao motor do centro de usinagem CNC de 5 eixos, com o PdM você agenda sua manutenção em um momento conveniente e próximo ao tempo de falha esperado do motor.

Diagrama que ilustra o PdM.

Diferentes maneiras de oferecer PdM

Um fabricante pode usar o PdM para monitorar suas próprias operações de fabricação. Ele também pode usá-lo de maneiras que fornecem novas oportunidades de negócios e fluxos de receita. Por exemplo:

  • Um fabricante acrescenta valor aos seus clientes ao oferecer serviços PdM para os seus produtos.
  • Um fabricante oferece os seus produtos num modelo de Produto como Serviço em que os clientes subscrevem o produto em vez de o comprarem. Neste modelo, o fabricante quer maximizar o tempo de atividade do produto, uma vez que o produto não gera receita quando não funciona.
  • Uma empresa fornece produtos e serviços PdM para produtos fabricados por outros fabricantes.

Construindo uma solução PdM

Para construir uma solução PdM, começamos com dados. Idealmente, os dados mostram o funcionamento normal e o estado do equipamento antes, durante e após falhas. Os dados vêm de sensores, notas mantidas por operadores de equipamentos, informações de execução, dados ambientais, especificações da máquina e assim por diante. Os sistemas de registro podem incluir historiadores, sistemas de execução de fabricação, planejamento de recursos empresariais (ERP) e assim por diante. Os dados são disponibilizados para análise de várias maneiras. O diagrama a seguir ilustra o Processo de Ciência de Dados da Equipe (TDSP). O processo é personalizado para fabricação e faz um excelente trabalho de explicar as várias preocupações que se tem ao construir e executar modelos de aprendizado de máquina.

O diagrama resume o Processo de Ciência de Dados da Equipe.

Sua primeira tarefa é identificar os tipos de falhas que você deseja prever. Com isso em mente, você identifica as fontes de dados que têm dados relevantes sobre esse tipo de falha. O pipeline obtém os dados do seu ambiente para o sistema. Os cientistas de dados usam suas ferramentas favoritas de aprendizado de máquina para preparar os dados. Neste ponto, eles estão prontos para criar e treinar modelos que possam identificar diversos 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: 0-100%
  • Qual é a vida útil restante do ativo? Resposta: X horas
  • Este ativo está a comportar-se de uma forma invulgar? Resposta: Sim ou Não
  • Qual ativo requer manutenção mais urgente? Resposta: Ativo X

Uma vez desenvolvidos, os modelos podem ser executados em:

  • O próprio equipamento para autodiagnóstico.
  • Um dispositivo de borda no ambiente de fabricação.
  • Azure.

Após a implantação, você continua a criar e manter a solução 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. À medida que a análise é concluída, os resultados podem ser exibidos em outras facetas do painel ou em outros relatórios. Esses relatórios podem aparecer em ferramentas personalizadas ou em ferramentas de relatório como o Power BI.

Quaisquer que sejam as suas necessidades de PdM, o Azure tem as ferramentas, a escala e as capacidades para criar uma solução sólida.

Introdução

Muitos equipamentos encontrados no chão de fábrica geram dados. Comece a coletá-lo o mais rápido possível. À medida que as falhas ocorrem, peça aos cientistas de dados que analisem os dados para criar modelos para detetar falhas futuras. À medida que o conhecimento sobre a deteção de falhas aumenta, passe para o modo preditivo, no qual você corrige os componentes durante o tempo de inatividade planejado. O Guia de Modelagem de Manutenção Preditiva fornece um passo a passo sólido da criação das peças de aprendizado de máquina da solução.

Se você precisa aprender sobre a construção de modelos, recomendamos visitar Fundamentos da ciência de dados para aprendizado de máquina. O módulo Introdução ao Azure Machine Learning apresenta as ferramentas do Azure.

Componentes

  • O Armazenamento de Blobs do Azure é um armazenamento de objetos escalável e seguro para dados não estruturados. Você pode usá-lo para arquivos, data lakes, computação de alto desempenho, aprendizado de máquina e cargas de trabalho nativas da nuvem.

  • O Azure Cosmos DB é um banco de dados NoSQL totalmente gerenciado, altamente responsivo e escalável para o desenvolvimento de aplicativos modernos. Ele fornece segurança de nível empresarial e suporta 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 Armazenamento Azure Data Lake é um serviço de armazenamento massivamente escalável e seguro para cargas de trabalho de análise de alto desempenho. Os dados normalmente 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 Blob Storage e fornece semântica do sistema de arquivos, segurança em nível de arquivo e escala. Ele também oferece os recursos de armazenamento hierárquico, alta disponibilidade e recuperação de desastres do Blob Storage.

  • Os Hubs de Eventos do Azure são uma plataforma de streaming de dados altamente escalável e um serviço de ingestão de eventos, capaz de receber e processar milhões de eventos por segundo. Os Hubs de Eventos podem processar e armazenar eventos, dados ou telemetria produzidos por dispositivos e software distribuído. Os dados enviados para um hub de eventos podem ser transformados e armazenados usando qualquer provedor de análise em tempo real ou adaptadores de lote e armazenamento. Os Hubs de Eventos fornecem recursos de publicação-assinatura com baixa latência em grande escala, o que o torna apropriado para cenários de big data.

  • O Azure IoT Edge implanta cargas de trabalho de nuvem para serem executadas em dispositivos de borda por meio de contêineres padrão. Os dispositivos inteligentes IoT Edge podem responder rapidamente e offline, 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 aprendizado de máquina, serviços do Azure e de terceiros e lógica de negócios personalizada.

  • O Hub IoT do Azure é um serviço totalmente gerenciado que permite comunicações bidirecionais confiáveis e seguras entre milhões de dispositivos IoT e um back-end baseado em nuvem. Ele fornece autenticação por dispositivo, roteamento de mensagens, integração com outros serviços do Azure e recursos de gerenciamento para controlar e configurar os dispositivos.

  • O Azure Machine Learning é um serviço de aprendizagem automática de nível empresarial para criar e implementar modelos rapidamente. Ele fornece aos usuários em todos os níveis de habilidade um designer low-code, aprendizado de máquina automatizado e um ambiente de notebook Jupyter hospedado que suporta vários IDEs.

    A aprendizagem automática permite aos computadores aprender a partir de dados e experiências, e a agir sem serem programados explicitamente. Os clientes podem criar aplicativos de IA que detetam, processam e agem de forma inteligente sobre as informações, aumentando as capacidades humanas, aumentando a velocidade e a eficiência e ajudando as organizações a alcançar 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. Juntamente com o Azure Relay, o Service Bus pode se conectar a aplicativos e serviços hospedados remotamente.

  • O Azure SQL é uma família de bancos de dados na nuvem SQL que fornece uma experiência unificada para todo o seu portfólio SQL e uma ampla gama de opções de implantação da borda à nuvem.

  • O Banco de Dados SQL do Azure, parte da família SQL do Azure, é um mecanismo de banco de dados de plataforma como serviço (PaaS) totalmente gerenciado. Ele sempre é executado na versão estável mais recente do mecanismo de banco de dados do SQL Server e no sistema operacional corrigido. Ele lida com a maioria das funções de gerenciamento de banco de dados para você, incluindo atualização, aplicação de patches, backups e monitoramento. Ele fornece a mais ampla compatibilidade do mecanismo do SQL Server, para que você possa migrar seus bancos de dados do SQL Server sem alterar seus aplicativos.

  • O Power BI é um conjunto de ferramentas de análise de negócios que fornece os recursos para criar visualizações de dados interativas avançadas. Inclui serviços, aplicações e conectores que podem transformar fontes de dados não relacionadas em informações coerentes, visualmente imersivas e interativas. O Power BI pode se conectar a centenas de fontes de dados, simplificar a preparação de dados e dar suporte a análises ad hoc.

  • O Azure Data Explorer é um serviço de exploração de dados rápido e altamente escalável para dados de log e telemetria. 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 de monitoramento e fluxos de trabalho quase em tempo real.

    O Azure Data Explorer pode ingerir dados do Hub IoT do Azure, Hubs de Eventos do Azure, Azure Stream Analytics, Power Automate, Azure Logic Apps, Kafka, Apache Spark e muitos outros serviços e plataformas. A ingestão é escalável e não há limites. Os formatos de ingestão do Azure Data Explorer suportados 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 nativo otimizado do Azure Data Explorer para Power BI dá suporte ao modo de consulta direta ou importação, incluindo parâmetros e filtros de consulta. Para obter mais informações, consulte Visualização de dados com o Azure Data Explorer.

Conclusão

O PdM melhora os cronogramas de manutenção preventiva identificando componentes específicos para inspecionar e reparar ou substituir. Requer máquinas instrumentadas e conectadas para fornecer dados para a construção de soluções PdM.

A infraestrutura da Microsoft pode ajudá-lo a criar soluções que são executadas no dispositivo, na borda e na nuvem. Há muitos recursos para ajudá-lo a começar.

Para começar, escolha as três principais falhas que você deseja evitar e comece seu 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 obtém do curso Fundamentos da ciência de dados para aprendizado de máquina para criar seus modelos PdM.

Contribuidores

Este artigo é mantido pela Microsoft. Foi originalmente escrito pelos seguintes contribuidores.

Autor principal:

Próximos passos