No presente, os compradores questionam quanto à pegada ecológica dos seus produtos, ou simplesmente a pegada carbónica. Com frequência, a produção com menor pegada carbónica traz ganhos não só ambientais, de imagem, mas também a nível de materiais, que podem ser muitíssimo interessantes. Foi a pensar nestes ganhos que, em 2013 a TecnoVeritas começou o desenvolvimento de uma solução holística dos processos, hoje chamada de BOEM (Blue Overall Efficiency Monitoring).

Os processos, sejam eles quais forem, constituídos por subprocessos, vêem os seus desempenhos degradar-se no tempo, implicando maior consumo de energia, menores proveitos e uma maior pegada carbónica.

A degradação dos subprocessos é, em si, um processo natural, que tem um forte impacto no consumo de energia, indisponibilidade, não-conformidade do produto e é, geralmente, devida à usura dos componentes que constituem um subprocesso.

A abordagem holística

Para otimizar o consumo de energia e reduzir a pegada de carbono é necessária uma abordagem holística baseada na visão de topo, ou geral, do processo e dos seus subprocessos. Se nos focarmos no que diz respeito ao consumo de energia e às emissões (CO₂, para simplificar), então necessitamos de monitorizar os inputs de energia e relacioná-los com os outputs. Tal tarefa não será fácil sem um sistema que consiga fazer várias coisas fundamentais, como: identificar um padrão de consumo relacionado com o output desses subsistemas ou modelos; identificar desvios do padrão de consumo de energia e, portanto, de emissões; avisar a quem de direito e diagnosticar possíveis causas.

Como se faz? “Machine Learning”?

Primeiramente, têm que se identificar as “variáveis-chave” de um subprocesso e, de seguida, monitorizá-las ao longo do tempo (t), sendo que o segredo está em utilizar os dados adquiridos e sincronizados no domínio do tempo entre si, para originar modelos matemáticos que não têm relação temporal, isto é, criando modelos matemáticos do processo em causa. De seguida, é necessária a comparação na base do tempo com aqueles modelos matemáticos, identificando desvios relativos que, estando balizados em termos de tolerância, alarmem o utilizador.

No BOEM, o “Machine Learning” é realizado na medida que as regras que são base às inferências do software são atualizadas dinamicamente, apoiando-se em dados reais recolhidos do navio (o chamado “rules-based Machine Learning”). Na prática, o BOEM inclui formulações nominais para as variáveis-chave (geralmente extraídas da documentação do navio) e desenvolve formulações para estas variáveis apoiando-se nos dados recolhidos da operação real. As inferências e alarmes do sistema são baseados nestas regras dinâmicas.

Jorge Antunes

TecnoVeritas – Serviços de Engenharia e Sistemas Tecnológicos, Lda.
Tel.: +351 261 819 819 · Fax: +351 261 819 820
info@tecnoveritas.net · www.tecnoveritas.net

Para ler o artigo completo faça a subscrição da revista e obtenha gratuitamente o link de download da revista “Manutenção” nº158. Pode também solicitar apenas este artigo através do email: a.pereira@cie-comunicacao.pt

Outros artigos relacionados

• Livro “Planeamento e Controlo da Produção – Uma visão integrada” presente na estante da revista Manutenção;
• Artigo “Digitalização no segmento industrial” da edição 150/151 da revista Manutenção;
• Artigo “8 estratégias para aumentara rentabilidade através da gestão integrada de energia e automação de processos” da edição 149 da revista Manutenção;
• Livro “Guia de Aplicações de Gestão de Energia e Eficiência Energética – 3.ª edição” presente na estante da revista Manutenção;