Manutenção preditiva — Serviços inteligentes habilitados por análises industriais

por Rami Aro e Carlos Paiz Gatica

Este artigo foi apresentado em Berlim 2018, Congresso Internacional sobre Tecnologias de Transporte Vertical, e publicado pela primeira vez no livro da IAEE. Tecnologia de elevadores 22, editado por A. Lustig. É uma reimpressão com permissão da Associação Internacional de Engenheiros de Elevadores. (www.elevcon.com).

Termos como “elevador inteligente”, “big data”, “manutenção preditiva”, etc., estão inspirando muitos fabricantes de elevadores e escadas rolantes. Com base na manutenção preditiva, a garantia de tempo de atividade das máquinas deverá agregar valor aos novos sistemas. No entanto, cada vez mais empresas percebem que a expansão dos serviços baseados em dados lhes proporciona uma vantagem competitiva real, e esses modelos de negócios preparados para o futuro têm o potencial de alavancar a fidelização de clientes a longo prazo. Os métodos empregados pela análise industrial ajudam a alcançar esse objetivo. Técnicas de aprendizado de máquina e inteligência artificial permitem que o fabricante compreenda melhor o comportamento de um elevador ou escada rolante, revelando estruturas e padrões e fornecendo novas perspectivas sobre as relações entre os dados. Mas o caminho a seguir exige um processo bem organizado. Weidmüller demonstra como descrever o caso de uso e estabelecer uma prova de conceito, enquanto a equipe do projeto percorre as etapas tradicionais de captura, integração, preparação, análise, implementação e, finalmente, avaliação do benefício econômico dos dados.

Introdução

O desenvolvimento tecnológico dos sistemas de automação rumo à digitalização traz muitas vantagens e oportunidades, como flexibilidade, produção econômica em pequenos lotes e otimização dos processos produtivos. Além disso, existem grandes desafios para aumentar a confiabilidade e o tempo de atividade dos equipamentos, especialmente para empresas de elevadores e escadas rolantes. Outro desafio é a implementação de estratégias de manutenção mais eficientes, reduzindo custos. Atualmente, os sistemas de monitoramento baseados em regras estão bem estabelecidos em sistemas de elevadores, principalmente devido à simplicidade dessa abordagem, na qual os limites para sinais individuais (por exemplo, valores de sensores) são definidos por especialistas da aplicação. Se, por exemplo, um motor precisa ser monitorado, são definidos valores limite para indicadores de falha específicos (por exemplo, temperatura, consumo de corrente). Se algum dos sinais monitorados ultrapassar os limites definidos, um alarme pode ser gerado. Para aplicações simples, as abordagens baseadas em regras são adequadas. No entanto, se, para a aplicação em questão, transições dinâmicas de muitos sinais forem relevantes para a detecção de falhas, essa tarefa se torna complexa demais para uma abordagem baseada em regras. Além disso, mudanças no comportamento do sinal, que ocorrem entre os limites definidos pelos sistemas de monitoramento baseados em regras, não são detectáveis ​​(Figura 1).

Uma abordagem baseada em modelos pode ser usada para melhorar o desempenho de um sistema de monitoramento. Um modelo pode representar várias dimensões simultaneamente, de modo que os estados da máquina sejam bem identificáveis. O desenvolvimento de um modelo adequado pode ser muito exigente e requer recursos humanos altamente qualificados. No entanto, ao usar métodos de análise industrial (por exemplo, algoritmos de aprendizado de máquina) e dados de processo para derivar um modelo de máquina, a complexidade da implementação de uma função de monitoramento pode ser significativamente reduzida.[1] Além disso, a qualidade do monitoramento é aprimorada, pois falhas mais complexas, que não são identificáveis ​​com um sistema baseado em regras, podem ser detectadas.

Este artigo está organizado da seguinte forma: o fluxo de trabalho típico de uma função de análise industrial e a topologia para a implementação de funções de análise industrial. A próxima seção explica as fases típicas de um projeto de análise, com base em análises offline e online. Em seguida, apresenta-se a conclusão.

Fluxo de trabalho de análise industrial

As funções de análise industrial são tipicamente compostas por diferentes tarefas (Figura 2). A figura mostra o fluxo de trabalho típico de uma aplicação de análise industrial, onde os dados dos diferentes dispositivos são inicialmente consolidados em uma única fonte de dados (armazenamento de dados). O próximo passo é o pré-processamento dos dados como preparação para o processo de aprendizado (pré-processamento). Nesta etapa, características relevantes são extraídas dos sinais de dados brutos, envolvendo a combinação de métodos estatísticos com conhecimento do domínio para selecionar características significativas.

A próxima etapa é a seleção, o treinamento e o ajuste de algoritmos de aprendizado de máquina para derivar um modelo a partir das características selecionadas (aprendizado do modelo). Novamente, a combinação de expertise em análise de dados e conhecimento do domínio é fundamental para o desenvolvimento de um modelo eficiente. Uma vez desenvolvido, o modelo pode ser usado em tempo de execução para monitorar a máquina ou o processo (execução do modelo). Para ser útil, os resultados precisam ser visualizados adequadamente (visualização). O tipo de visualização deve ser selecionado de acordo com a função da pessoa que utilizará essas informações, como o proprietário do edifício, o gerente de instalações ou de manutenção, etc. A integração de uma função de análise industrial em um sistema de automação pode ser feita em diferentes níveis: por exemplo, na máquina ou usando uma plataforma em nuvem. Essas possibilidades são exploradas na próxima seção.

Topologia para a Realização de Análises Industriais

A implementação das operações básicas da função analítica (armazenamento de dados, pré-processamento, aprendizado de modelos, pontuação de modelos e visualização) pode ser feita em diferentes níveis, por exemplo, coletando dados no nível do componente (acionamento, veículo, portas) e no nível de campo, por exemplo, usando um kit de sensores e coletando sinais com um sistema remoto de entrada/saída. Como as fontes de dados podem ser heterogêneas, há a necessidade de transformar os dados em um formato unificado para posterior processamento analítico. Dependendo da aplicação e dos pré-requisitos do usuário, os dados podem ser armazenados localmente, por exemplo, usando o controlador principal ou um gateway da Internet das Coisas (IoT), ou na nuvem, utilizando serviços de armazenamento em nuvem adequados (Figura 3). O processamento analítico pode ser realizado em diversos dispositivos ou plataformas, ou utilizando software como serviço em plataformas de nuvem. Embora os componentes de automação sejam usados ​​principalmente para controle de processos, eles podem ser adequados para implementar funcionalidades de processamento analítico, caso haja recursos suficientes disponíveis.

Além dos recursos de hardware disponíveis, os requisitos de processamento e memória variam de acordo com a tarefa a ser executada. Em particular, a derivação de um modelo de máquina geralmente requer significativamente mais recursos do que a execução desse modelo. Existem diversas opções arquitetônicas para armazenamento e processamento de dados, e a implementação selecionada está sujeita a restrições, como a arquitetura disponível, as necessidades de processamento, as taxas de dados e a complexidade de armazenamento. Há uma necessidade de flexibilidade na implementação de funções analíticas para atender às diversas aplicações industriais. Para aplicações em elevadores, os conjuntos de dados são gerados principalmente pelo controlador em tempo real. Os algoritmos aplicados precisam apresentar baixa latência, e os conjuntos de dados são tipicamente de pequeno volume e altamente correlacionados entre si. Portanto, a implementação de funções analíticas industriais utilizando dispositivos de borda (por exemplo, um gateway IoT) pode trazer muitas vantagens, como tempos de resposta curtos e redução do tráfego de rede.

Fases típicas de uma análise PROJETO

O caminho a seguir para um projeto de análise de dados precisa ser um fluxo de trabalho bem organizado, tipicamente composto por cinco fases (Figura 4). Inicialmente, realiza-se a análise do problema e a definição do objetivo; por exemplo, quais falhas específicas devem ser previsíveis. Durante a fase de exploração de dados, a qualidade dos dados gerados será verificada para determinar se as falhas definidas podem ser detectadas ou se é necessária maior qualidade dos dados. Durante a prova de conceito, a viabilidade técnica e econômica será verificada (análise offline). Na fase piloto, um protótipo funcional será executado em uma aplicação piloto (análise online). Finalmente, na última fase, as soluções de análise testadas no piloto serão desenvolvidas e implementadas.

Análise off-line

A aplicação de análise de dados em dados de máquinas geralmente começa com sua exploração offline. Dados de amostra de algumas máquinas, referentes a um período representativo selecionado, são coletados e analisados ​​offline por cientistas de dados. Eles exploram os dados aplicando diversos métodos de análise para descobrir quais fornecem os melhores insights acionáveis. Empresas que oferecem esses serviços se diferenciam pela capacidade de realizar análises offline de forma eficiente. Ao longo do tempo, nós da Weidmüller desenvolvemos um conjunto abrangente de ferramentas de ciência de dados e aprendizado de máquina que permite avaliar dados de amostra em pouco tempo.

Análises online para manutenção preditiva

Para fins de manutenção preditiva, os dados da máquina precisam ser monitorados continuamente. O estado da máquina é avaliado a partir dos dados adquiridos, e eventos anormais e indicadores de falha são detectados e usados ​​para identificar a manutenção necessária. Em seguida, recomendações para atividades de manutenção são fornecidas ao proprietário do edifício e aos gerentes de instalações ou de manutenção. Dependendo da natureza das condições físicas que levam às falhas da máquina, pode ser necessário processar os dados em tempo quase real, com latência inferior a um segundo, ou em testes diários ou semanais. Os sistemas de análise online devem ser flexíveis para lidar com essa variedade de requisitos de tempo.

Atualmente, consideramos três categorias diferentes de análises que geram informações para sistemas de monitoramento de máquinas e manutenção preditiva: cálculos diretos, reconhecimento do estado e da atividade da máquina e detecção de anomalias.

Os cálculos diretos utilizam dados de sensores de uma máquina como entrada e calculam, por exemplo, o desgaste de uma peça da máquina.

Os algoritmos de reconhecimento do estado da máquina utilizam como entrada leituras de sensores da máquina ou dados de processamento para identificar o estado da máquina em um determinado ponto. Usamos tecnologias de aprendizado de máquina para classificar estados e atividades da máquina com base em modelos aprendidos em uma fase de treinamento designada anteriormente.[2] Os estados e atividades da máquina obtidos são úteis para manutenção preditiva quando processamento e raciocínio adicionais são realizados.

A detecção de anomalias[3] é outra técnica muito útil para encontrar indicadores de falhas e avaliar as necessidades de manutenção. Em operação normal, os sinais dos sensores geralmente se encontram dentro de certas faixas de valores ou exibem padrões normais específicos. Obviamente, estamos interessados ​​em capturar o desvio do comportamento normal. Uma única anomalia detectada já pode ser indicativa de uma falha e usada para acionar uma ação. Muitas vezes, uma única anomalia não é suficiente, e somente um número crescente de anomalias ao longo do tempo fornecerá indicação suficiente de que a máquina não está funcionando de forma otimizada ou está desenvolvendo uma condição que precisa ser abordada pela equipe. Além disso, existem muitas razões pelas quais anomalias podem ser detectadas nos dados dos sensores da máquina, e muitas delas podem não estar relacionadas a problemas, mas sim a outros fatores de influência. Por exemplo, a interação do operador ou uma alteração nas configurações dos parâmetros podem impactar as medições dos sensores. Uma característica importante de uma solução de manutenção preditiva é entender o contexto das medições e avaliar quais anomalias são relevantes para prever as necessidades de manutenção.

Conclusão

Descrevemos o fluxo de trabalho e a topologia para funções de análise industrial e as cinco fases de um projeto típico de análise. Discutimos as abordagens offline e online para a realização de manutenção preditiva, demonstrando a principal vantagem de combinar ciência de dados com conhecimento específico da área.

Os dados gerados por máquinas, como elevadores e escadas rolantes, combinados com dados da equipe de manutenção, transformam-se em informações valiosas quando aplicadas funções de análise industrial. Esses dados podem gerar resultados práticos, como a manutenção preditiva — por exemplo, para identificar, analisar e resolver possíveis problemas de serviço antes que eles ocorram. Isso, em última análise, resulta na redução ou eliminação do tempo de inatividade.

A Weidmüller pode ser parceira na implementação conjunta de soluções de análise industrial, passo a passo, desde a concepção da ideia até serviços inteligentes e escaláveis, e no desenvolvimento de modelos de negócios orientados por dados. Fornecemos soluções de análise personalizadas que oferecem o melhor desempenho possível para as necessidades do cliente. Atuamos independentemente da plataforma e podemos realizar implantações locais, em nuvem ou híbridas, independentemente das plataformas de nuvem específicas. Nossas soluções de análise funcionam independentemente do fornecedor, independentemente do sistema de automação ou controle subjacente.

Referências
[1] Maier, Alexander, Köster, Markus, Gatica, Carlos Paiz e Niggemann. Oliver. “Geração automatizada de modelos de temporização em plantas de produção distribuídas”, Conferência Internacional IEEE sobre Tecnologia Industrial (ICIT 2013), Cidade do Cabo, África do Sul, 2013.
[2] Liao, T. Warren. “Agrupamento de dados de séries temporais
— uma pesquisa”, Pattern Recognition, Vol. 38, No. 11 (novembro de 2005), p. 1,857-1,874.
[3] Chandola, Varun, Banerjee, Arindam e Kumar, Vipin. “Detecção de anomalias: uma revisão”, ACM Computing Surveys. Vol. 41, nº 3, artigo 15 (julho de 2009), 58 pág.