Manutenção preditiva

Saiba como a IA pode ser usada para prever e prevenir falhas e maximizar a vida útil do serviço

Introdução

O tempo de inatividade não agendado de um equipamento pode ser prejudicial para qualquer negócio. É fundamental manter o equipamento de campo em operação para maximizar a utilização e minimizar o tempo de inatividade caro e não agendado e os riscos à saúde, à segurança e ao meio ambiente. A meta de uma estratégia de manutenção preditiva é estender a vida útil dos equipamentos e prevenir falhas. A detecção de anomalias é uma abordagem comum porque identifica quando um dispositivo se comporta de maneira diferente do esperado. As soluções de detecção de anomalias costumam ser mais precisas do que os métodos simples de detecção de falhas baseada em regra, e são úteis na prevenção de falhas e interrupções onerosas.

Preparar dados

A primeira etapa em uma solução de manutenção preditiva é preparar os dados. Isso inclui a ingestão de dados, a limpeza e a engenharia de recursos. Os problemas de manutenção preditiva geralmente incluem dados como:

  • Informações do computador (por exemplo, tamanho do mecanismo, marca e modelo)
  • Dados telemétricos (por exemplo, dados do sensor, como temperatura, pressão, vibração, propriedades de fluido e velocidades de operação)
  • Histórico de manutenção e intervenção: o histórico de reparo de uma máquina e os logs de runtime
  • Histórico de falhas: o histórico de falhas de um computador ou de um componente de interesse.

Para prever falhas, os dados devem conter exemplos de sucessos e falhas. Um grande número de exemplos resultará em modelos de manutenção preditiva melhores e mais generalizáveis. Também é importante ter dados dos dispositivos que falharam e daqueles que ainda estão em serviço. Os dados podem incluir leituras de equipamentos que falharam para o problema específico no qual você está interessado, bem como de dispositivos que falharam por outros motivos. Em ambos os casos, quanto mais dados você tiver, melhor será a solução.

Crie e treine

Muitas soluções de manutenção preditiva usam modelos de classificação multiclasse para calcular a vida útil restante de um ativo. Use a manutenção preditiva de classificação multiclasse quando você deseja prever dois resultados, ou seja, um intervalo de tempo para falha e a probabilidade de falha devido a uma das várias causas raiz. Além de escolher os algoritmos certos, um modelo de sucesso exige hiperparâmetros bem ajustados. Tratam-se de parâmetros, tais como o número de camadas em uma rede neural, definidos antes do início do processo de treinamento. Os hiperparâmetros são frequentemente especificados pelo cientista de dados por tentativa e erro. Eles afetam a precisão e o desempenho do modelo e muitas vezes podem ser necessárias muitas iterações até se encontrar os valores ideais.

Cada execução de treinamento gerará métricas usadas para avaliar a eficácia do modelo. A precisão é a métrica mais popular usada para descrever o desempenho de um classificador, embora o recall e as pontuações F1 sejam usados com frequência em soluções de manutenção preditiva. A precisão é definida como o número de verdadeiros positivos em relação ao número de verdadeiros positivos mais o número de falsos positivos, enquanto o recall indica o número de verdadeiros positivos em relação ao número de verdadeiros positivos mais o número de falsos negativos de instâncias de previsão de falhas. As pontuações F1 consideram as taxas de precisão e de recall.

Implantar

Quando a variante mais eficaz de um modelo for identificada, esse modelo precisará ser implantado como um serviço Web com um ponto de extremidade REST. O modelo é então chamado por aplicativos de linha de negócios ou um software de análise. No entanto, no caso da manutenção preditiva, as arquiteturas de ponta a ponta costumam incluir a telemetria em tempo real das máquinas, que é coletada por sistemas como os Hubs de Eventos do Azure. Os dados são ingeridos pela análise de fluxo e processados em tempo real. Os dados processados são encaminhados para um serviço Web de modelo preditivo e os resultados são exibidos em um painel ou alimentados em um mecanismo de alerta que informa os técnicos ou a equipe de serviço sobre os problemas. Os dados ingeridos também podem ser armazenados em bancos de dados históricos e mesclados com os dados externos, tais como bancos de dados locais, para que possam ser realimentados em exemplos de treinamento para modelagem. Cenários de IoT (Internet das Coisas) podem implantar um modelo na borda de modo que a detecção possa ocorrer tão próximo do evento quanto possível, tanto em termos de tempo quanto de espaço.

Os clientes estão fazendo coisas excelentes com IA