Revista Manutenção

Sistemas inteligentes na manutenção preditiva

Sistemas inteligentes na manutenção preditiva –previsão com modelos neuronais

A crescente sensorização, aliada à capacidade de transferir, armazenar e analisar dados, permite tirar partido de modelos de aprendizagem computacional para processar dados em tempo quase real. Para a manutenção, estes métodos permitem diagnosticar falhas bastante cedo, ou até prevê-las antes que aconteçam. Os modelos de aprendizagem computacional, designadamente redes neuronais, têm ganho atenção crescente. No presente artigo dá-se o exemplo concreto de aplicação de uma rede recorrente na previsão dos valores de temperatura e outras variáveis para uma prensa de pasta de papel, onde se conseguem erros muitas vezes inferiores a 10%.

Aumento da sensorização

Nas últimas décadas assistiu-se a uma crescente sensorização dos equipamentos domésticos e industriais. À medida que o preço dos sensores desce, estes podem ser aplicados em maior quantidade e numa diversidade cada vez maior de equipamentos. Estes sensores podem servir para diversos fins, sendo o mais imediato o melhor controlo e otimização do funcionamento do equipamento. Evitam-se assim muitas falhas que poderiam causar danos a pessoas e bens, ao mesmo tempo que se melhora o desempenho dos equipamentos. Por outro lado, verificaram-se também reduções de custo significativos no acesso à Internet e no armazenamento de dados. Em virtude disso, passou a ser possível guardar os dados registados em períodos relativamente alargados de tempo. Esses dados são um manancial de informação inédito e com um potencial enorme a ser explorado na manutenção preditiva. Usando dados históricos consegue-se, muitas vezes, com reduzida margem de erro, antever o futuro. Muitos métodos de previsão foram desenvolvidos há anos, outros são desenvolvimentos mais recentes. A existência de meios de hardware para aplicar estes métodos em tempo real, ou quase real, permite um salto qualitativo na manutenção preditiva.

Crescente interesse em técnicas de aprendizagem computacional

Uma pesquisa no Google Scholar sobre Predictive Maintenance devolve 2 860 000 resultados. Sobre Predictive Maintenance Machine Mearning devolve 165 000 resultados.

Se a pesquisa for feita apenas em artigos de 2020 até aos dias de hoje, encontram-se 37 200 e 19 900, respetivamente. Ou seja, da produção científica indexada sobre manutenção preditiva, mais de metade do que foi feito desde 2020 até ao presente menciona também métodos de aprendizagem computacional, embora no cômputo global, o que inclui Machine Learning seja menos de 6%. Isto demonstra claramente a importância crescente e incontornável dos métodos de aprendizagem computacional na manutenção preditiva. Mais curioso ainda é que, se a pesquisa for realizada sobre artigos de 2020 para cá com a frase de pesquisa Predictive Maintenance Machine Learning Neural Networks, tem-se o surpreendente resultado de 16 600 entradas. Ou seja, mais de 83 % das publicações sobre aprendizagem computacional na manutenção preditiva mencionam redes neuronais. Isto não significa que todas as publicações proponham soluções, ou sequer usem redes neuronais; mostra apenas que as publicações mencionam as palavras pesquisadas. De qualquer forma, mostra claramente a importância das redes neuronais, enquanto método de aprendizagem computacional, para a manutenção preditiva.

Métodos tradicionais de previsão

Os modelos mais antigos para predição em séries temporais baseiam-se em autoregressão e alisamento exponencial. O valor predito para cada amostra é calculado com base no contributo do conjunto de amostras anteriores, somado e ponderado. Por exemplo, o modelo autorregressivo mais simples para uma série temporal pode prever o próximo valor ŷt com base na fórmula ŷt = σ1 yt–1+ μ, onde yt-1 é o valor anterior da série, σ1 é um coeficiente de atualização e μ é uma constante. Esta fórmula é um modelo de primeira ordem, que usa apenas o valor anterior da série. Um modelo de segunda ordem usa os dois últimos valores conhecidos, e assim sucessivamente. Quantas amostras são usadas e qual o contributo de que cada uma depende da ordem e do tipo de modelo usado. Modelos mais poderosos usam não só os valores anteriores como também o gradiente, por exemplo ŷt = yt–1+ σ1 (yt–1 – yt–2) + μ. De qualquer forma, são normalmente modelos relativamente simples e adequados a janelas temporais com poucas amostras.

Mateus Mendes
Instituto Politécnico de Coimbra – ISEC, Universidade de Coimbra – ISR

José Torres Farinha
Instituto Politécnico de Coimbra – ISEC, Universidade de Coimbra – CEMMPRE

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 emaila.pereira@cie-comunicacao.pt

Outros artigos relacionados

Translate »