Perceba o potencial da manutenção preditiva com a IoT

Identifique o resultado desejado

Determine os processos empresariais desejados para melhorar e obter os resultados que quer alcançar.

O que você prevê deve ser algo em que você possa agir. Caso contrário, essa previsão não terá valor. Por exemplo, prever que uma unidade de aquecimento e refrigeração falhará no dia seguinte não será útil se não houver nada que você possa fazer para evitar.

Comece ao descobrir o resultado que deseja alcançar: isso determina a pergunta preditiva que você precisa responder e ajuda a medir o sucesso de seu esforço.

Perguntas preditivas comuns incluem:

  • Tempo: Quanto tempo o equipamento ainda tem até apresentar falhas?
  • Probabilidade: Qual a probabilidade de falha em (x) dias ou semanas?
  • Causa: Qual a provável causa de uma determinada falha?
  • Classificação de nível de risco: Qual equipamento tem o maior risco de falha?
  • Recomendação de manutenção: Com um determinado código de erro e outras condições, qual atividade de manutenção tem mais possibilidade de resolver o problema?

Fontes de dados do inventário

Identifique todos os possíveis tipos e fontes de dados relevantes. O resultado que está buscando influenciará os dados que são essenciais e os que são opcionais.

Inclua dados de uma variedade de fontes. Você pode se surpreender com os locais dos quais as informações principais vêm.

Comece entendendo quais dados estão disponíveis de diferentes fontes de dados. Podem ser dados estruturados ou não estruturados e podem vir de sistemas internos ou locais externos.

Exemplos de dados relevantes incluem:

  • Condições operacionais: localização, temperatura, operador do equipamento etc.
  • Detalhes da falha: tempo, clima, causa etc.
  • Histórico de reparos

Mesmo usando dados parciais, você pode aproveitar soluções intermediárias, como detecção de anomalia, o que envolve monitoramento em tempo real para detectar tendências e padrões incomuns. Desta forma, você ainda pode detectar anomalias enquanto conecta dados específicos exigidos para criar um modelo preditivo robusto para seu problema.

Capture e combine dados

Conecte todos os seus dados a um único local e prepare-os para análise.

Prepare o terreno para um modelo preditivo robusto, obtendo dados que incluam tanto o comportamento esperado quanto os logs de falha.

Agora você está pronto para preparar o terreno para análise preditiva. Isso envolve:

  • Conectar dados de diferentes fontes em um sistema único e consistente.
    Como os dados podem residir em muitos locais diferentes, uma etapa fundamental é conectá-los a um sistema único e consistente. Em alguns casos, os dados podem precisar ser migrados, mas, em muitos casos, é questão de conectar uma fonte de dados a um sistema de análise. Já que você provavelmente está lidando com grandes volumes de dados, é importante usar uma ferramenta de análise que possa manipular Big Data.
  • Como normalizar os dados.
    A normalização de dados pode levar tempo, mas também é muito importante, principalmente se você está confiando parcialmente nas informações anedóticas das suas equipes de reparo. A normalização de dados também ajuda a aprimorar a precisão e a validade da sua análise.

Modelo, teste e integração

Identifique padrões inesperados desenvolvendo modelos preditivos usando técnicas de aprendizado de máquina. Classifique modelos para determinar qual é o melhor para prever o tempo das falhas na unidade.

Torne seu modelo acionável ao entender o quanto de antecedência a equipe de manutenção precisa para responder a uma previsão.

Comece ao analisar dados para identificar padrões significativos. Isso envolve desenvolver um conjunto de modelos usando um subconjunto de dados. Ao analisar e modelar os dados, pode ser útil ter uma hipótese que você está testando. Isso guiará seu pensamento sobre os sinais que serão utilizados e fornecerá uma linha de base para avaliar os resultados analíticos.

Em seguida, classifique os modelos usando os dados restantes para determinar qual modelo é melhor para responder à sua pergunta preditiva. Lembre-se de que um modelo deve ser acionável para que seja útil. Portanto, os esforços de análise devem estar firmemente fundamentados no contexto empresarial. Por exemplo, se sua equipe de reparos precisar de 48 horas de antecedência para cumprir as solicitações de manutenção, um modelo acionável fará a previsão de falhas mais de 48 horas antes da data em que as falhas ocorrerão.

A modelagem preditiva ajuda a identificar condições que indicam futuros problemas com equipamentos. Com essas informações, você pode ajustar os processos e os sistemas para dispararem ações preventivas quando essas condições ocorrerem. Ou seja, você pode converter insights do modelo em alterações operacionais, que é onde está o valor empresarial significante.

Valide o modelo em um ambiente operacional em tempo real

Aplique seu modelo a dados de streaming em tempo real e observe como ele funciona em condições reais. Use o aprendizado de máquina para aprimorar seu modelo e prepará-lo para implementação completa.

Esteja disposto a refinar sua abordagem com base nos dados coletados durante o piloto no mundo real.

Equipamento conectado por monitoramento

Para executar um piloto de manutenção preditiva habilitado para IoT, seu equipamento precisa estar conectado e enviar os dados operacionais mais recentes para os sistemas adequados. O seu modelo analisa esse fluxo de dados em tempo real para detectar sinais de problemas e disparar alertas ou ações preventivas, como solicitar uma peça de reposição ou agendar um técnico.

Planejamento piloto

Comece estabelecendo o escopo do piloto, incluindo equipamentos, sistemas e locais envolvidos, cenários a serem testados, condições sob as quais disparar um alerta ou ação (por exemplo, ordem automática de uma peça de substituição), medidas de sucesso e tempo.

Como aplicar seu modelo e refinar resultados

Durante o piloto, você coletará continuamente novos dados que ajudarão a refinar os intervalos aceitáveis e também poderão realçar novos sinais de falha. Não tenha medo de ajustar sua abordagem com base no que os dados operacionais e análises mais recentes informam.

Integre em operações

Operacionalize o modelo ao ajustar os processos de manutenção, os sistemas e os recursos para atuar em novos insights. Faça melhorias contínuas, obtendo insights do aprendizado de máquina e da análise avançada.

Fortaleça seus processos e procedimentos para aproveitar o que aprendeu.

Depois de atingir os objetivos pilotos e refinar o modelo, você estará pronto para uma implementação mais ampla.

Isso provavelmente envolverá a implementação de várias mudanças operacionais, como um cronograma de reparo revisado e/ou dinâmico, ou a alteração de políticas para priorizar reparos imediatos quando determinados dados excederem um intervalo especificado. Como a mudança operacional pode ser abrangente, recomenda-se uma abordagem em fases para que benefícios incrementais possam ser alcançados.

As mudanças operacionais que podem ser feitas ao implantar uma abordagem de manutenção preditiva são extensas. Por exemplo, você pode:

  • Otimizar o que sua equipe de reparos está fazendo e quando: ajuste os cronogramas de reparo e as rotas para reduzir interrupções e eliminar viagens extras.
  • Alterar sua abordagem de compra de peças de reposição para que não precise manter um excesso de estoque. Uma encomenda de peças pode ser disparada na hora certa.
  • Oferecer manutenção preditiva como um serviço para captar receita de anuidade e manter relacionamentos contínuos com seus clientes.

Esses são apenas alguns exemplos de como a manutenção preditiva permite aumentar a eficiência, reduzir os custos e evoluir seus negócios.

Crie sua solução de manutenção preditiva

Começar