Alcançar o potencial da manutenção preditiva com IoT

Identificar o resultado pretendido

Decida que processo empresarial alvo deve ser melhorado e os resultados pretendidos que quer alcançar no final.

A predição tem de ser algo relativamente ao qual possa tomar medidas, caso contrário, essa predição não tem valor. Por exemplo, prever que uma unidade de aquecimento e refrigeração vai falhar no dia seguinte não é útil caso não possa fazer nada para o evitar.

Comece por determinar o resultado que quer obter; é isso que vai ditar a pergunta preditiva a que terá de responder e também ajudará a medir o sucesso do seu esforço.

As perguntas comuns sobre a predição incluem:

  • Timing: Quanto tempo falta até o equipamento falhar?
  • Probabilidade: Qual é a probabilidade de ocorrer uma falha em (x) dias ou semanas?
  • Motivo: Qual é o motivo provável de uma determinada falha?
  • Classificação do nível de risco: Que equipamento apresenta o maior risco de falha?
  • Recomendação de manutenção: Tendo em conta um código de erro específico e outras condições, que atividade de manutenção tem maior probabilidade de resolver o problema?

Inventariar as origens de dados

Identifique todas as potenciais origens e tipos de dados relevantes. O resultado que pretende obter influenciará os dados que são essenciais e os que são opcionais.

Inclua dados de diversas origens. Poderá ter uma surpresa quando souber de onde podem surgir informações-chave.

Comece por compreender que dados estão disponíveis nas diferentes origens de dados. Podem ser dados estruturados ou não estruturados e podem ser provenientes de sistemas internos ou de partes externas.

Alguns exemplos de dados relevantes incluem:

  • Condições de funcionamento - localização, temperatura, operador do equipamento, etc.
  • Detalhes das falhas - hora, condições climatéricas, causa, etc.
  • Histórico de reparações

Mesmo com dados parciais, pode tirar partido de soluções intermédias, como deteção de anomalias, que envolve monitorização em tempo real para detetar tendências e padrões não habituais. Desta forma, continua a pode detetar anomalias enquanto recolhe dados específicos necessários para criar um modelo preditivo robusto para o problema.

Capturar e combinar dados

Ligue todos os seus dados a um único sítio e prepare-os para análise.

Crie os alicerces de um modelo preditivo robusto ao captar dados que incluam comportamentos esperados e registos de falhas.

Agora, tem tudo preparado para criar os alicerces da análise preditiva. Esses alicerces envolvem:

  • Ligar dados de diferentes origens a um sistema individual e consistente.
    Uma vez que os dados podem residir em muitos sítios diferentes, ligá-los a um sistema individual e consistente é um passo fundamental. Em alguns casos, os dados poderão ter de ser movidos, mas em muitos outros é uma questão de ligar uma origem de dados a um sistema de análise. Visto que está provavelmente a lidar com grandes volumes de dados, é importante utilizar uma ferramenta de análise que consiga processar macrodados.
  • Normalizar os dados.
    Normalizar os dados pode ser uma tarefa morosa, mas também é altamente importante, em particular se depender de informações informais das equipas de reparação. A normalização dos dados também ajuda a melhorar a exatidão e a validade das análises.

Modelar, testar e iterar

Desenvolva modelos preditivos com técnicas de machine learning para identificar padrões inesperados. Classifique em pilha os modelos para determinar que modelo prevê melhor o timing das falhas nas unidades.

Torne o seu modelo acionável ao compreender com que antecedência é que a equipa de manutenção tem de ser avisada para responder a uma predição.

Comece por analisar os dados para identificar padrões relevantes. Essa análise envolve desenvolver um conjunto de modelos com um subconjunto dos dados. À medida que analisa o modelo e os dados, poderá ser útil ter uma hipótese para testar. Essa hipótese orientará para os sinais em que se deve concentrar e permitirá uma linha de base face à qual serão avaliados os resultados da análise.

Em seguida, classifique em pilha os modelos, utilizando os dados restantes para determinar qual deles melhor responde à sua pergunta preditiva. Lembre-se de que, para ser útil, um modelo tem de ser acionável, pelo que as iniciativas de análise devem estar firmemente baseadas no contexto comercial. Por exemplo, se a equipa de reparação precisar de um aviso com 48 horas de antecedência para responder a um pedido de manutenção, um modelo acionável será aquele que preveja falhas que estejam a mais de 48 horas de ocorrer.

A modelação preditiva ajuda a identificar condições que indiquem futuros problemas nos equipamentos. Com essas informações, pode ajustar processos e sistemas para acionar ações preventivas quando essas condições ocorrem. Por outras palavras, pode traduzir informações do modelo em alterações operacionais, que é onde vai obter valor comercial significativo.

Validar o modelo num ambiente operacional ao vivo

Aplique o modelo a dados de transmissão em fluxo ao vivo e veja como funciona em condições do mundo real. Utilize machine learning para melhorar o modelo e prepará-lo para implementação completa.

Esteja disposto a refinar a sua abordagem consoante os dados que recolher durante o piloto de mundo real.

Monitorizar os equipamentos ligados

Para executar um piloto de manutenção preditiva com IoT ativado, os seus equipamentos têm de estar ligados e enviar os últimos dados operacionais para os sistemas apropriados. É esse fluxo de dados ao vivo que o seu modelo vai analisar para detetar sinais de problemas e acionar alertas ou ações preventivas, como encomendar uma peça sobresselente ou agendar a visita de um técnico.

Planeamento do piloto

Comece por estabelecer o âmbito do piloto, incluindo os equipamentos, os sistemas e as localizações envolvidas, os cenários a testar, as condições que vão acionar um alerta ou uma ação (por exemplo, encomenda automática de uma peça sobresselente), medidas de sucesso e timing.

Aplicar o modelo e refinar os resultados

Ao longo do piloto, irá recolher continuamente dados novos que vão ajudar a refinar intervalos aceitáveis e que podem também realçar sinais de novas falhas. Não tenha medo de ajustar a abordagem consoante o que os dados operacionais e as análises mais recentes lhe dizem.

Integrar nas operações

Operacionalize o modelo ao ajustar os processos de manutenção, os sistemas e os recursos para que atuem com informações novas. Obtenha informações de machine learning e de análises avançadas para fazer melhorias continuamente.

Fortaleça os seus processos e procedimentos para tirar partido do que descobre.

Depois de cumprir os objetivos do piloto e de refinar o modelo, tem tudo pronto para uma implementação ampla.

Essa implementação envolverá, provavelmente, várias alterações operacionais, como uma agenda de reparações revista e/ou dinâmica, ou alterações a políticas para dar prioridade a reparações imediatas quando determinados dados excedam um intervalo especificado. Uma vez que a alteração operacional pode ser vasta, recomenda-se seguir uma abordagem faseada, para poder beneficiar de vantagens incrementais.

São bastantes as melhorias operacionais que a implementação de uma abordagem de manutenção preditiva proporciona. Por exemplo, pode:

  • Otimizar as tarefas que a equipa de reparações está a fazer e quando as faz - ajuste as agendas e os trajetos de reparações para reduzir tempos de inatividade e eliminar viagens extra.
  • Alterar a abordagem à compra de peças sobresselentes, para evitar manter inventário excessivo - uma encomenda de peças pode ser acionada no momento exato.
  • Oferecer a manutenção preditiva como serviço para obter receitas com anuidades e manter relações contínuas com os clientes.

Estes são apenas alguns exemplos do que pode fazer com a manutenção preditiva para aumentar a eficiência, reduzir custos e fazer a sua empresa evoluir.

Criar a solução de manutenção preditiva

Introdução