6 DE JUN DE 2021

Adicionando o “Quando” ao Predictive Analytics para IoT

Por que você precisa saber então “quando” em primeiro lugar? Ou qual é o propósito dos prognósticos? Mas o que é um Prognóstico? Prognóstico é uma previsão baseada em fatos ou dados reais e atuais, que pode indicar o provável estágio futuro

Por que você precisa saber então “quando” em primeiro lugar? Ou qual é o propósito dos prognósticos? Mas o que é um Prognóstico? Prognóstico é uma previsão baseada em fatos ou dados reais e atuais, que pode indicar o provável estágio futuro de um processo.

Muitas decisões sobre equipamentos lidam com o futuro. No entanto, em muitos casos, essas decisões são baseadas na intuição de especialistas. Embora não sejam errados em si, eles se beneficiariam muito com os prognósticos para reduzir o tempo de inatividade caro "downtown", evitar trabalhos de manutenção desnecessários e aumentar a disponibilidade do equipamento. O impacto financeiro neste tipo de operação é da ordem de milhões, quando falamos de uma indústria pujante, como temos no Brasil.

"Muitas decisões sobre equipamentos lidam com o futuro. No entanto, em muitos casos, essas decisões são baseadas na intuição de especialistas, e não com base em dados"

Com o advento da Internet das Coisas (IoT), a alavanca dos prognósticos agora pode ser acionada. O prognóstico fornece uma previsão explícita de quando, no futuro, pode-se esperar que um problema de mau funcionamento ocorrerá com qual uma certa probabilidade. Ele é baseado em uma nova abordagem que combina metodologias avançadas de análise de dados e conhecimento especializado em uma solução coerente, configurada de forma eficiente e escalável.

Outras abordagens são, na melhor das hipóteses, complementares, sem o benefício fundamental de saber “quando”. O monitoramento automatizado remoto da condição concentra-se na condição atual do equipamento para evitar danos imediatos. O Predictive Analytics, visto por muitos como o estado da arte, chega mais perto ao fornecer avisos antecipados via notificações de Push. Porém, isso também não elimina o principal desafio, que é prever não apenas se, mas realmente quando, ocorrerá um mau funcionamento. Tudo o que o Predictive Analytics faz é dizer: “Cuidado, o mau funcionamento do XYZ está se aproximando!”. Mas quando, em um dia, uma semana ou três meses, ainda não está claro.

Conseqüentemente, o prognóstico é necessário para fechar essa última lacuna de informação na IoT. Vamos ver como nos preparar para os prognósticos em sete etapas:

Escolha do equipamento
Priorizando e definindo os modos de mau funcionamento
Controlando os dados: definir os parâmetros dos dados
Correlacionando os parâmetros de dados com os modos de mau funcionamento
Vida útil restante (RUL) em computação
Avaliando os resultados
Usando os prognósticos

Etapa 1: Escolha do equipamento

O primeiro passo é escolher o equipamento de missão crítica. Idealmente, você começa com um tipo de equipamento que:

É fundamental para a operação de sua planta;
É caro colocá-lo novamente online em caso de mau funcionamento ou danos;
Está equipado com sensores para gerar dados de condição e processo.

Etapa 2: priorizando e definindo os modos de mau funcionamento

É importante manter o foco nas questões críticas. Portanto, esta segunda etapa define os principais modos de mau funcionamento que - seguindo um princípio de Pareto - são os principais causadores de problemas em potencial. Esses podem ser os problemas de funcionamento que você sempre conseguiu evitar, possivelmente quase literalmente a todo custo. Você também pode tê-los observado nos últimos 5 a 10 anos ou realmente aprendido sobre eles durante um briefing ou reunião técnica de usuários.

Etapa 3: Obter o controle dos dados: definir os parâmetros dos dados

Paralelamente à etapa 2, você pode visualizar seu histórico de dados para detectar padrões que explicam o mau funcionamento. Em muitos casos, porém, não é suficiente examinar os dados brutos. São os parâmetros de dados derivados, por exemplo, taxas de mudança ou sincronicidade de leituras, que revelam a verdade. Além disso, como muitos padrões de dados são difíceis de identificar, provavelmente será necessário aplicar métodos estocásticos avançados.

As perguntas que podem ajudá-lo nesta etapa incluem: Posso definir regras de diagnóstico de dados que poderiam ter ajudado a detectar o mau funcionamento antes que ele ocorresse? Quais limiares de alarme, limites e benchmarks precisam ser aplicados para detecção?

Etapa 4: Correlacionando os parâmetros de dados com os modos de mau funcionamento

Na etapa 4, as correlações dos parâmetros de dados com os modos de mau funcionamento específicos devem ser determinadas. Além disso, um conjunto de faixas de valores (range) deve ser determinado para os parâmetros definidos. Um bom ponto de partida é extrair os limites de alerta e alarme de seu monitoramento automático de condição.

Etapa 5: Computando a Vida Útil Restante (RUL)

Na etapa 5, várias operações de análise de dados precisam ser realizadas usando modelos estocásticos avançados para gerar o risco de mau funcionamento futuro e a distribuição RUL para o componente. Vale observar que alguns fornecedores de software especializados não oferecem apenas esta etapa, mas podem fornecer uma solução ponta a ponta que apóia a mudança em direção aos prognósticos em todas as sete etapas.

Etapa 6: Avaliação dos resultados

Esta etapa visa verificar a plausibilidade dos resultados. Uma abordagem pode ser conduzir uma análise retrospectiva de períodos anteriores. Isso permite uma validação com observações reais do passado. Além disso, é útil monitorar continuamente os resultados prognósticos, verificar sua plausibilidade e calibrar as entradas nas etapas anteriores, caso seja identificado potencial de melhoria.

Etapa 7: Usando os prognósticos

Agora você está pronto para usar a previsão do prognóstico para melhorar a tomada de decisões operacionais e comerciais, dando um grande passo em sua jornada de IoT. As informações transparentes recém-adquiridas sobre perfis de risco futuros ajudarão a melhorar as operações e a manutenção. Por exemplo, pode-se melhorar a programação de manutenção e começar a migrar de programações de manutenção preventivas para programações de manutenção verdadeiramente baseadas na condição.

Perguntas úteis a serem feitas nesta fase incluem:

Como posso ajustar a minha programação de forma a executar a manutenção quando o estado do equipamento o torna realmente necessário?
Como posso usar a previsão da Prognóstica para evitar intervenções de manutenção muito precoces?
Como posso vincular melhor o cronograma de manutenção ao meu plano de produção?

Agora você está pronto para se beneficiar de seus esforços de prognóstico

Ao aplicar as 7 etapas, você obterá uma compreensão mais profunda de seu equipamento e provavelmente encontrará oportunidades para otimizar tecnicamente seu monitoramento de condição. Depois de adquirir alguma experiência no manuseio de prognósticos, você logo poderá converter a maior parte do seu tempo de inatividade não programado em manutenção programada. A médio e longo prazo, os prognósticos permitem que você crie cronogramas de manutenção com base em condições comercialmente ideais.

Em breve estarei postando aqui mais etapas e observações para modelos Preditivos baseados em Analytics, IoT e Cloud Computing.

Fonte: LinkedIn