Desde a sua criação, a Indústria tem demonstrado a sua capacidade de adaptação a situações e tempos desafiantes. Atualmente, os fabricantes enfrentam, na sua maioria, oportunidades de crescimento limitadas em mercados maduros. Com a procura do mercado a manter-se estável, as melhorias no OEE e as taxas de utilização da produção tornaram-se o foco dos fabricantes. Embora o combate a estes processos exija que os fabricantes façam inúmeras mudanças organizacionais, a digitalização está a emergir como um dos principais protagonistas na transformação da indústria. Um relatório de 2019 da McKinsey & Company destaca os potenciais benefícios de poupança , que pode reduzir a base de custos de produção em 15%. Deste total, metade dos 15% (7,5%) pode ser atribuído à IA.
Analítica industrial
Num passado não tão distante, a Machine Learning foi relegada, com muito poucos casos de uso no mundo real. Nos últimos anos, a Machine Learning tem vindo a surgir através de aplicações comerciais, com um aumento na implementação em todas as indústrias. A migração da Machine Learning da Torre do Marfim para o “chão da fábrica” pode ser atribuída a uma série de causas. O principal impulsionador da mudança é a diminuição significativa do custo no armazenamento e transferência de dados. Além disso, começou-se a reconhecer o impacto potencial que a IA e BIG Data podem ter em termos de aumento de receitas e poupança de custos.
Uma fábrica industrial típica contém milhares de sensores incorporados em diferentes tipos de máquinas. Embora os dados sejam gerados de forma contínua, grande parte deles não foi concebido para ser acessível. A monitorização SCADA é normalmente realizada num pequeno número de ativos de máquinas de alta prioridade. Os limiares de controlo são determinados manualmente e, no caso de uma rutura do limiar (como temperatura, vibração, pressão, entre outros), os técnicos são alertados. A monitorização baseada em condições pode, por vezes, desencadear automaticamente processos adicionais.
Com Machine Learning para Analytics industriais, os algoritmos são aplicados às enormes quantidades de dados que as máquinas geram. Estes algoritmos são treinados para identificar padrões de comportamento anómalos e correlações de padrões. Em contraste com a monitorização da SCADA, a AI Industrial Analytics analisa todos os dados, independentemente de os limiares baseados em regras terem sido violados. Com base no reconhecimento de padrões, o algoritmo pode classificar a deterioração, a potencial falha e as suas razões. Em termos de fiabilidade, estes são referidos como Time to Fail (TTF) e Root Cause Failure Analysis (RCFA).
SKF Portugal – Rolamentos, Lda.
Para ler o artigo completo faça a subscrição da revista e obtenha gratuitamente o link de download da revista “Manutenção” nº150/151. Pode também solicitar apenas este artigo através do email: a.pereira@cie-comunicacao.pt
VOCÊ PODE GOSTAR
-
Previsão da condição de lubrificante de turbina a gás ou vapor através do ensaio de RPVOT
-
Tecnologia de ultrassons na Manutenção 4.0 e manutenção preditiva
-
FUCHS assegura produção com segurança total
-
O impacto da manutenção na gestão de ativos físicos e na eficiência energética de instalações
-
Inventariação e georreferenciação de Ativos Médicos