Da função de suporte à alavanca estratégica

A manutenção preditiva, viabilizada pela digitalização industrial, deixou de poder ser encarada como uma mera função de suporte. Hoje em dia, assume-se como uma alavanca estratégica da performance industrial.

No contexto do paradigma da Internet das Coisas (IoT), a convergência entre sensores, sistemas de comunicação, análise de dados e Inteligência Artificial (IA) tem vindo a transformar a manutenção, que historicamente visava abordagens reativas e preventivas, para se focar em modelos mais em linha com o conceito de “Total Productive Maintenance” (TPM) assente em níveis preditivos, prescritivos e progressivamente autónomos (Lee et al., 2014; Jardine et al., 2006).

Deve-se salientar que esta transformação não é linear. Obriga à introdução de uma rede de interdependências complexas, incluindo benefícios operacionais e desafios estruturais que exigem um investimento numa gestão integrada (Carvalho et al., 2019). Sem esta, o investimento relevante poderá vir a tornar-se numa constrição à organização e não o objetivo inicial, procurando-se antes a contribuição para uma melhoria dos principais indicadores industriais ajudando à sustentabilidade da organização.

Inter-relações positivas: geração de valor

Compreende-se que a redução de custos e o aumento da disponibilidade decorrem da capacidade de antecipar falhas e otimizar intervenções (Mobley, 2002). Simultaneamente, a deteção precoce de anomalias melhora a segurança e a qualidade dos processos, reduzindo variabilidade e defeitos (ISO 55 000, 2014), contribuindo igualmente para a sustentabilidade de uma organização. Ao estabilizar-se o fluxo produtivo, permite-se ganhos ao nível da entrega e produtividade, enquanto a otimização da gestão de peças sobressalentes contribui para uma maior eficiência na cadeia de abastecimento (Bousdekis et al., 2018) e para a redução de custos relacionados diretamente ou indiretamente com a manutenção. Esta estratégia reforça a integração entre os indicadores de performance como segurança, qualidade, entrega, custo, pessoas e produtividade, entre outros, consolidando-se como elemento estruturante do desempenho industrial.

Inter-relações negativas: emergência da complexidade

Como todos os modelos industriais, apesar dos benefícios, podem ser identificados algumas limitações e riscos associados, tais como:

1. a dependência da qualidade dos dados constitui um fator crítico, podendo comprometer a fiabilidade dos modelos (Susto et al., 2015);
2. a integração com sistemas existentes pode gerar disrupções operacionais e dificuldades técnicas (Lee et al., 2015), onerosas para solucionar, resolver e integrar;
3.  a resistência organizacional e os desafios culturais são igualmente referidos como barreiras relevantes (Porter & Heppelmann, 2014), especialmente em organizações de estrutura vertical sem modelos internos de gestão da mudança (MOC);
4. o aumento da conectividade, especialmente utilizando fontes abertas introduz riscos acrescidos de cibersegurança, particularmente em ambientes industriais críticos (Boyes et al., 2018);
5.  os investimentos iniciais em infraestrutura digital são frequentemente identificados como um dos principais obstáculos financeiros a ultrapassar (Bousdekis et al., 2018);
6. a existência de equipamentos “legacy” e a escassez de dados históricos dificultam geralmente o desenvolvimento de modelos robustos e preditivos (Jardine et al., 2006);
7.  a falta de competências especializadas em análise de dados e engenharia de fiabilidade limita a capacidade de implementação de modelos eficazes e robustos (Carvalho et al., 2019).

A tecnologia avança continuamente, mas ainda persistem incertezas relevantes já que os modelos preditivos se baseiam em probabilidades, não garantindo previsões determinísticas (Susto et al., 2015). A inexistência de dados especialmente para potenciais falhas raras constitui uma limitação significativa apesar de se verificar a rápida evolução tecnológica, nomeadamente no domínio da IA, entre outras, que introduz incerteza quanto às soluções a adotar (Lee et al., 2014). Esta incerteza leva sempre o gestor responsável pela decisão a pensar numa lógica custo vs valor, eficiência vs eficácia.

Nesse sentido, a manutenção preditiva implica uma mudança de paradigma económico, passando de uma lógica de eficiência de curto prazo para uma lógica de eficácia e valor ao longo do ciclo de vida dos ativos (Mobley, 2002). A expectativa será compreender se os investimentos iniciais elevados são compensados por reduções significativas de custos operacionais, melhoria da disponibilidade e aumento da vida útil dos ativos (ISO 55 000, 2014), que contribuam para uma maior sustentabilidade da organização. Torna-se ainda mais critico já que o investimento necessário está diretamente relacionado com a mobilização de recursos tecnológicos, humanos e organizacionais (Lee et al., 2015).

Miguel Correia
Manufacturing Engineering Manager: Avionics & UK Fast Jets 
Avionics Systems | GE Aerospace

Para ler o artigo completo faça a subscrição da revista e obtenha gratuitamente o link de download da revista “Manutenção” nº168/169. Pode também solicitar apenas este artigo através do email: a.pereira@cie-comunicacao.pt

Outros artigos relacionados

• Artigo “Tecnologia de ultrassons na Manutenção 4.0 e manutenção preditiva” da edição 162 da revista Manutenção;
• Artigo “Sistemas inteligentes na manutenção preditiva –previsão com modelos neuronais” da edição 150/151 da revista Manutenção;
• Artigo “Breve abordagem à manutenção preditiva” da edição 159 da revista Manutenção;
• Artigo “Competências técnicas necessárias para a manutenção preditiva na indústria moderna” da edição 168/169 da revista Manutenção;