Artigo Manutenção preventiva e indústria 4.0

que hoje parece imparável. Isso implica a necessidade de aplicar técnicas de automação para integrar todas as novas tecnologias que posteriormente aumentarão a produtividade. Atingiu importância crítica para as indústrias devido à crescente complexidade das interações entre as diferentes atividades de produção em ecossistemas de manufatura cada vez maiores. Em geral, as abordagens de manutenção contemporâneas variam de acordo com os diferentes modelos de aprendizagem utilizados e os diferentes problemas encontrados pelas máquinas/equipamentos. No entanto, a etapa de diagnóstico e prognóstico de falhas na manutenção preditiva deve ser muito precisa e clara. Possibilidades. Desafios. Introdução No atual contexto econômico marcado pela globalização acirrada e mercados cada vez mais exigentes, as indústrias são impulsionadas a melhorar o desempenho e a eficiência de suas linhas de produção para fortalecer sua competitividade e satisfazer seus clientes.

Conectividade, dados, novos dispositivos, redução de estoque, customização e produção controlada deram origem ao que é chamado de Indústria 4. que hoje parece imparável. Além do mais, é importante ter uma boa ideia dos benefícios e desafios da aplicação da Manutenção 4. seja no lado financeiro, organizacional, de fonte de dados ou de reparo de equipamentos. A manutenção preditiva de fato consiste em mineração de dados para a formulação de modelos de aprendizado de máquina que conseguem obter conhecimento e prever o estado de saúde dos equipamentos. Nesse sentido, a manutenção preditiva oferece métodos como Manutenção Baseada em Condição (MBC), Prognóstico e Gerenciamento de Saúde (PGS) e Vida Útil Restante (VUR). Desta forma, o presente trabalho tem como objetivo geral apresentar os principais desafios da manutenção preditiva na indústria 4.

Essa fábrica pode ser considerada um exemplo prático de uma organização da indústria 4. com recursos conectados uns aos outros como uma rede social. Diante disso, a integração de tecnologias permite que uma organização extraia um grande volume de dados em tempo real, afetando aspectos de desempenho e sua relação com o ambiente externo (SOUZA et al. Nesse sentido, a indústria 4. pode ser definida como a integração técnica do CPS nos processos de fabricação e logística, e o uso da Internet das Coisas e Serviços (IoTS) nos processos industriais. Segundo Hofmann e Rusch (2017), a Indústria 4. é frequentemente usada de forma intercambiável com a noção da quarta revolução industrial. Caracteriza-se por, entre outros: • Ainda mais automação do que na terceira revolução industrial; • A ponte do mundo físico e digital por meio de sistemas ciber-físicos, habilitados pela IoT Industrial; • Uma mudança de um sistema de controle industrial central para um onde produtos inteligentes definem as etapas de produção; • Modelos de dados de malha fechada e sistemas de controle e; • personalização/customização de produtos.

O objetivo é permitir processos de tomada de decisão autônomos, monitorar ativos e processos em tempo real e permitir redes de criação de valor conectadas igualmente em tempo real por meio do envolvimento precoce das partes interessadas e integração vertical e horizontal. A Indústria 4. são projetos em estágio inicial com escopo limitado. A maioria dos esforços de digitalização e digitalização, na realidade, acontece no contexto das tecnologias/objetivos da terceira e até segunda revolução industrial (BLACHET et al. Em essência, as tecnologias que possibilitam a Indústria 4. aproveitam os dados existentes e amplas fontes de dados adicionais, incluindo dados de ativos conectados para obter eficiência em vários níveis, transformar processos de fabricação existentes, criar fluxos de informações de ponta a ponta em toda a cadeia de valor e realizar novos serviços e modelos de negócios (HOFMANN E RUSCH, 2017).

Para entender a Indústria 4. No entanto, na realidade, a manutenção preditiva é muito mais antiga, embora sua história não seja formalmente documentada. O início da manutenção preditiva (PdM) pode ter sido quando um mecânico colocou pela primeira vez sua orelha no cabo de uma chave de fenda, tocou a outra extremidade em uma máquina e disse que parecia que um rolamento estava estragando (FREITAS, 2016). O objetivo da manutenção preditiva é a capacidade de primeiro prever quando a falha do equipamento pode ocorrer (com base em certos fatores), seguido pela prevenção da falha por meio de manutenção corretiva e programada regularmente (COSTA, 2013). A manutenção preditiva não pode existir sem o monitoramento das condições, que é definido como o monitoramento contínuo das máquinas durante as condições do processo para garantir o uso ideal das máquinas.

Existem três facetas de monitoramento de condição: online, periódico e remoto. Por não exigir o monitoramento das condições, um programa de manutenção preventiva não envolve tanto investimento de capital em tecnologia e treinamento. Por último, muitos programas de manutenção preventiva precisam de coleta e análise manual de dados (PINTO E XAVIER, 2011). Enquanto a manutenção preventiva é determinada usando o ciclo de vida médio de um ativo, a manutenção preditiva é identificada com base em condições predefinidas e predeterminadas de peças específicas do equipamento, utilizando diferentes tecnologias. A manutenção preditiva também requer mais investimentos em pessoas, treinamento e equipamentos do que a manutenção preventiva, mas a economia de tempo e custos será maior no longo prazo (TAVARES, 2009).

Conforme mencionado, as vantagens da manutenção preditiva são enormes do ponto de vista de economia de custos e incluem a minimização do tempo de inatividade planejado, maximizando a vida útil do equipamento, otimizando a produtividade dos funcionários e aumentando a receita. Os programas bem-sucedidos incluídos na pesquisa incluem um corte transversal de setores e fornecem uma visão geral dos tipos de melhorias que podem ser esperadas. Com base nos resultados da pesquisa, as principais melhorias podem ser alcançadas em: custos de manutenção, falhas não programadas da máquina, tempo de inatividade para reparos, estoque de peças sobressalentes e prêmios de horas extras diretas e indiretas. Além disso, a pesquisa indicou uma melhoria dramática em: vida útil da máquina, produção, segurança do operador, qualidade do produto e lucratividade geral (SANTOS, 2009).

Com base na pesquisa, os custos reais normalmente associados à operação de manutenção foram reduzidos em mais de 50%. A comparação dos custos de manutenção incluiu a mão de obra real e as despesas gerais do departamento de manutenção. A capacidade de prever as falhas do trem de máquinas e do equipamento e o modo de falha específico forneceram os meios para reduzir os estoques de peças sobressalentes em mais de 30%. Em vez de manter o estoque de peças de reparo, as fábricas pesquisadas tinham tempo de espera suficiente para solicitar peças de reparo ou reposição conforme necessário. A comparação incluiu o custo real das peças sobressalentes e os custos de manutenção do estoque para cada fábrica (SANTOS, 2009).

A prevenção de falhas catastróficas e a detecção precoce de problemas incipientes de máquinas e sistemas aumentaram a vida útil operacional das máquinas da fábrica em 30 por cento em média. O aumento na vida útil da máquina foi uma projeção baseada em cinco anos de operação após a implementação de um programa de manutenção preditiva. A melhoria relatada foi baseada estritamente na disponibilidade da máquina e não incluiu a melhoria da eficiência do processo. No entanto, um programa preditivo completo que inclui o monitoramento dos parâmetros do processo também pode melhorar a eficiência operacional e, portanto, a produtividade das fábricas e processos. Um exemplo desse tipo de melhoria é uma fábrica de alimentos que tomou a decisão de construir fábricas adicionais para atender às demandas de pico.

Uma análise das plantas existentes, usando técnicas de manutenção preditiva, indicou que um aumento de 50 por cento na produção poderia ser alcançado simplesmente aumentando a eficiência operacional do processo de produção existente. A pesquisa determinou que o aviso prévio de problemas no trem da máquina e nos sistemas reduziu o potencial de falha destrutiva, que poderia causar ferimentos pessoais ou morte. Essas técnicas também podem ser usadas para verificar os reparos ou reconstruções em máquinas existentes da fábrica (PINTO E XAVIER, 2011). A análise de vibração, uma ferramenta chave de manutenção preditiva, pode ser usada para determinar se os reparos corrigiram ou não os problemas existentes e / ou criaram um comportamento anormal de adição antes do sistema ser reiniciado.

Isso elimina a necessidade de uma segunda interrupção que muitas vezes é necessária para corrigir reparos inadequados ou incompletos (COSTA, 2013). Os dados adquiridos como parte de um programa de manutenção preditiva podem ser usados ​​para agendar e planejar interrupções da planta. Muitas indústrias tentam corrigir os principais problemas ou programar reconstruções de manutenção preventiva durante as interrupções anuais de manutenção. Por algum tempo, uma quantidade considerável de confusão existiu sobre a maneira apropriada de inspecionar a presença de um determinado modo de falha. Devo realizar algum tipo de inspeção sensorial? Devo realizar algum tipo de inspeção quantitativa? Devo aplicar uma ou mais tecnologias de monitoramento de condição? Devo aplicar alguma combinação dessas técnicas para maximizar a probabilidade condicional de encontrar o defeito? Como identifico a presença de um defeito-chave de forma a maximizar a quantidade de tempo que meu departamento de planejamento tem para desenvolver os procedimentos de trabalho, criar ordens de serviço, solicitar as peças e programar e concluir o trabalho antes da probabilidade condicional de o fracasso se torna muito alto? Uma explicação sobre os tipos de inspeções e como elas se complementam ajuda muito a esclarecer quais são as mais adequadas.

As inspeções sensoriais há muito são consideradas a espinha dorsal de qualquer bom programa de inspeção e trabalho de manutenção. Acreditava-se que enviar alguém com frequência suficiente para inspecionar problemas com o maquinário resultaria na identificação de defeitos em tempo suficiente para mitigar o tempo de inatividade não planejado. O inspetor usaria a visão, o som e o toque para determinar se algo havia mudado desde a última inspeção. As inspeções quantitativas precisam de alguém para medir algo. As inspeções quantitativas muito comuns incluem medir a temperatura de uma vedação em uma bomba ou medir a folga da placa traseira em um impulsor da bomba. Essas medições fornecem dados ao planejador e ao engenheiro e ajudam a determinar a necessidade de outras ações de manutenção (FREITAS, 2016).

Quando projetado corretamente, um procedimento de inspeção quantitativa detalha os limites e as medições normalmente esperadas. Qualquer inspeção que exija que alguém meça algo deve ter os valores mínimo, máximo e típico, com tarefas condicionais definidas para quando os limites forem ultrapassados. Este é o exemplo mais comum das vantagens das tecnologias de manutenção preditiva (COSTA, 2013). Existem diferentes tipos de técnicas de inspeção de defeitos que podem ser aplicadas em uma máquina, e cada uma tem suas vantagens e desvantagens. No entanto, essas técnicas não são substituições exatas uma da outra. Cada um determina a presença do defeito em locais diferentes ao longo da curva P-F e, como resultado, cada um dá à função de planejamento diferentes períodos de tempo para responder ao defeito (FREITAS, 2016).

Uma análise de modos de falha, efeitos e criticidade (FMECA) pode ajudar a determinar quais técnicas de inspeção devem ser aplicadas, com que freqüência e com que grau de redundância. Depois das leituras, foi elaborado um texto de análise dos dados. Apresentação dos Dados e Resultados A manutenção preventiva consiste em eventos de manutenção programados regularmente, em que peças ou ativos são substituídos ou mantidos antes de quando eles devem falhar, com o objetivo de evitar que ocorra uma falha. Embora a manutenção preventiva ainda seja bastante útil, também é um desperdício por seu próprio design (FREITAS, 2016). A prevenção de uma falha significa realizar a manutenção bem antes do tempo em que se espera que um ativo falhe, o que significa que qualquer tempo entre o tempo de manutenção e o tempo de falha é desperdiçado A Indústria 4.

engloba a tendência generalizada de automação e troca de dados, internet das coisas (IoT), computação em nuvem, inteligência artificial e, claro, análise preditiva. ainda precisam negociar as oportunidades de manutenção preditiva com as despesas de capital necessárias para adquirir instrumentações, software e experiência necessários. Essa desvantagem é mais importante nos estágios iniciais do desenvolvimento da manutenção preditiva, quando os dados reais sobre o comportamento normal e anormal do equipamento são escassos ou escassos e, no caso de novos sistemas, quando não há experiência com sua operação. Essa situação pode levar as empresas a investirem mais em soluções de manutenção preditiva (SOUZA et al. Empresas com fins lucrativos inevitavelmente consideram os custos esperados de qualquer novo investimento.

Esforços de manutenção preditiva, como instalação de sensores, recuperação de informações, preparação e manutenção de modelos e atividades de manutenção geram custos para as empresas nas quais os métodos de manutenção preditiva são introduzidos (LIMA E SILVA, 2019). Isso pode resultar em previsões incorretas e urgência de manutenção perdida ou alarmes falsos. Um desafio adicional para a tecnologia de sensores é que os sensores atualmente tendem a operar offline sem contribuir com os dados online. Além disso, os sensores estão sujeitos a tempo de inatividade, degradação do instrumento, ruído ou simplesmente falha do sensor. É então importante limpar os dados antes de aplicar o algoritmo de manutenção preditiva para prever a verdadeira realidade e não distorcer os resultados.

Ao ser capaz de prever a vida restante de um componente, os tempos de manutenção podem ser determinados, mas a manutenção real de um componente ainda enfrenta desafios relacionados à dependência de interações humanas e à falta de automanutenção. A integração de modelos na indústria é um desafio, pois muitas vezes essa tarefa é realizada por uma equipe de tecnologia da informação (TI) que geralmente está dissociada da equipe de pesquisadores e desenvolvedores que desenvolveram os modelos de manutenção preditiva (SOUZA et al. Construir tal infraestrutura de TI para manter os pipelines de dados pode ser trabalhoso e geralmente não é levado em consideração no planejamento do projeto. Já a etapa de monitoramento consiste em garantir que o modelo esteja atualizado. Para fazer isso, um loop de feedback é adicionado ao modelo para que os novos dados recebidos sejam entradas de aprendizado.

Esse retreinamento contínuo dos modelos de previsão tem a desvantagem de enfraquecer a confiabilidade dos resultados. Essas medidas baseadas em regras são relativamente simples, mas ainda requerem conhecimento de quais condições devem ser verificadas. Realisticamente, um ativo pode ter vários sensores diferentes atuando sobre ele ao mesmo tempo que alimentarão dados para um algoritmo. Segundo Lima e Silva (2019), existem formas mais complicadas de manutenção preditiva, que aproveitam o aprendizado de máquina moderno. Usando dados históricos, algoritmos podem ser desenvolvidos para entender como um ativo deve funcionar ao longo do tempo. Em seguida, usando o feedback dos sensores, um algoritmo pode identificar anomalias no desempenho à medida que ocorrem e sugerir medidas de manutenção. Os alarmes disparados automaticamente são ativados antes que qualquer falha seja obtida.

Métodos e algoritmos multivariáveis complexos são usados para satisfazer os requisitos de aplicação do MBC (RIGHETTO, 2020). O objetivo do MBC é minimizar o custo total de inspeções e reparos, coletando e interpretando dados intermitentes ou contínuos sobre o status operacional de componentes críticos. O conceito de Prognóstico e Gerenciamento de Saúde (PGS) surgiu na década de 1990 com o lançamento do projeto Joint Strike Fighter (JSF) do Exército dos EUA. A aplicação inicial do PGS é, portanto, no campo da aviação militar. À medida que a tecnologia e os algoritmos de manutenção preditiva melhoram, essa lacuna de tempo perdido só diminui. Em outras palavras, a manutenção preditiva ajuda a encontrar um equilíbrio entre manter muito e pouco. Escolher alistar medidas de manutenção preditiva varia de ativo para ativo e de instalação para instalação.

Também deve ser observado que a manutenção preditiva geralmente vem com um alto custo de implementação, bem como um alto nível de habilidade para usar as medidas de forma eficaz. A implementação de medidas de manutenção preditiva é econômica em termos de minimização do tempo de inatividade e perda de horas de produção, bem como a necessidade de peças de reposição e manutenção reacionária. está se tornando cada vez mais viável e promissora. A prioridade da adoção da manutenção preditiva inteligente nas rotinas de manutenção dos setores fabris é reconhecida pelas empresas industriais. Os resultados são promissores, visto que a previsão de quebra e defeito do compressor segue o tempo real de manutenção, permitindo um melhor planejamento com relação à equipe de manutenção e preparação de peças de reposição.

Além do mais, em termos de desafios e direções futuras, há várias etapas a serem consideradas na verificação desse novo desenvolvimento. A tecnologia e a IA em torno da manutenção preditiva continuarão a melhorar, o que significa que a lacuna de tempo perdido entre a manutenção e a falha observada anteriormente ficará menor, portanto, o retorno do investimento aumentará ainda mais. The new industrial revolution – How Europe will succeed. Munique: Roland Berger, 2014. BORLINDO, David José Araújo, Indústria 4. – Aplicação a Sistemas de Manutenção. Porto, Portugal, 2017 (Dissertação de mestrado, Faculdade de engenharia ,Universidade do Porto). Trabalho de conclusão de curso. Universidade Federal de Juiz de Fora. Juiz de Fora, 2013. FREITAS, L. F. LIMA, Elon Vieira; SILVA, Daniela dos Santos da, O PLANEJAMENTO E CONTROLE DA MANUTENÇÃO NA INDÚSTRIA 4.

Ponta Grossa, 2019. MIRSHAWKA, Victor. Manutenção – Combate aos custos da não eficácia – A vez do Brasil. São Paulo: Editora Makron Books do Brasil Ltda. A. Santiago: Universidade de Aveiro, 2017, PINTO, A. K; XAVIER, J. de A. N. RUIZ, J. A. Metodologia científica: guia para eficiência nos estudos. São Paulo (SP): Atlas; 1992. SANTOS, Mário José Marques Ferreira dos. Anais do X Simpósio de Engenharia de Produção de Sergipe (2018). SCHWAB, K. A Quarta revolução industrial. Edipro. São Paulo. C. MARCHI C. S. BUENO, N. V. Administração moderna da Manutenção. ª edição. Rio de Janeiro: Novo Polo Publicações, 2009. TOAZZA, Guilherme Francez; SELLITO, Miguel Afonso. Estratégia de Manutenção Preditiva no Departamento Gráfico de uma Empresa do Ramo Fumageiro.