Manutenção preditiva com IoT e IA na indústria

Uma avaria inesperada numa linha de produção é uma das coisas mais caras que podem acontecer a uma fábrica: para a produção, dispara os custos e, por vezes, arrasta outros problemas. A manutenção preditiva procura que isso não aconteça: antecipar a avaria antes de ela ocorrer. Este guia explica como, com IoT e IA, se consegue.

Os três tipos de manutenção

Para compreender a preditiva, convém compará-la. A manutenção reativa repara a máquina quando esta já se avariou (a mais cara: para sem aviso). A preventiva faz revisões de tempos a tempos, parta ou não (melhor, mas gasta em manutenção que por vezes não era necessária). A preditiva vai um passo mais além: vigia o estado real da máquina e atua mesmo antes de falhar.

O que é a manutenção preditiva

A manutenção preditiva usa os dados reais da máquina (vibração, temperatura, consumo, ruído) para detetar sinais precoces de deterioração e prever quando vai falhar, de modo a poder intervir no momento ótimo: nem demasiado cedo (gasto desnecessário) nem demasiado tarde (avaria). É manutenção baseada no estado real, não no calendário.

Como funciona: IoT + IA

A receita combina duas tecnologias. O IoT capta os dados da máquina em tempo real com sensores (vibração, temperatura, etc.). A IA e o machine learning aprendem como a máquina se comporta quando está saudável e detetam as anomalias que precedem uma avaria, prevendo quando intervir. Quantos mais dados históricos houver, mais precisa é a previsão.

Os benefícios

• Menos paragens não planeadas (as mais caras).
• Menos gasto em manutenção desnecessária.
• Maior vida útil das máquinas.
• Mais segurança: evitam-se falhas catastróficas.
• Melhor planeamento: intervém-se quando convém à produção.

O que precisa para começar

A preditiva requer dados: sensores nas máquinas críticas (muitas já os trazem) e um sistema que os recolha e analise. Não é preciso começar por toda a fábrica: o mais eficaz é escolher as máquinas mais críticas ou que mais falham, instrumentá-las, recolher dados e treinar os modelos. O primeiro caso de sucesso justifica estendê-lo ao resto.

O ROI da manutenção preditiva

O retorno costuma ser rápido e mensurável: uma única paragem não planeada evitada numa linha crítica pode pagar o projeto. A isso soma-se a poupança em manutenção que já não faz "por precaução", a maior vida útil das máquinas e a redução do stock de peças urgentes. Por isso a preditiva é um dos investimentos da Indústria 4.0 com o retorno mais claro e fácil de justificar perante a direção.

Erros comuns

As falhas típicas: querer instrumentar tudo de uma só vez em vez de começar pelas máquinas críticas, recolher dados sem um objetivo claro, ou esperar previsões perfeitas desde o primeiro dia (os modelos melhoram com o tempo e os dados). A preditiva é um caminho que se percorre por fases, não um interruptor que se liga.

Na AxiomTech implementamos manutenção preditiva com IoT e IA — sensores, recolha de dados e modelos que antecipam as avarias — integrada na sua operação para que as suas máquinas parem quando você decide, não quando se avariam.

Exemplo prático: uma fábrica de engarrafamento

Uma fábrica de engarrafamento com três linhas de produção equipou os seus motores de selagem com sensores de vibração e temperatura. Nas primeiras oito semanas, o sistema detetou uma assinatura de vibração anómala num dos motores. Uma inspeção confirmou desgaste no rolamento antes de qualquer falha ocorrer. O custo da intervenção planeada foi de 800 EUR. A paragem não planeada evitada teria significado cerca de quatro horas de linha parada e mais de 12.000 EUR em produção perdida, sem contar com a peça danificada ou a penalização de entrega. Um único evento pagou o projeto inteiro.

Lista de verificação para começar

• Identifique as duas ou três máquinas mais críticas: as que param a linha ou as que falham com mais frequência.
• Verifique quais os sensores já instalados antes de comprar qualquer coisa nova.
• Defina o que quer prever: falha total, degradação gradual ou manutenção programada.
• Estabeleça um período de recolha de dados de pelo menos quatro a seis semanas antes de treinar modelos.
• Defina um limiar de alerta sensato para evitar falsos alarmes que cansem a equipa.
• Registe o resultado de cada intervenção para melhorar o modelo ao longo do tempo.

Perguntas frequentes

É necessário substituir as máquinas antigas? Não. A maioria dos projetos de manutenção preditiva adiciona sensores externos a equipamentos existentes; não é necessário substituir o parque de máquinas.

Quanto tempo demora a dar resultados? Os primeiros padrões úteis surgem tipicamente entre seis e dez semanas depois de começar a recolher dados normalmente. Os modelos melhoram continuamente à medida que acumulam mais histórico.

E se tivermos apenas algumas máquinas? A manutenção preditiva escala para baixo tão bem quanto para cima. Uma empresa com quatro ou cinco máquinas críticas pode justificar o projeto se o custo de uma paragem não planeada for significativo.