A manutenção preditiva é uma política de manutenção de equipamentos para o monitoramento dos ativos físicos de uma organização a fim de detectar possíveis problemas no futuro e executar ações corretivas antes que os componentes apresentem mau funcionamento ou falhem. Os tipos de ativos normalmente monitorados incluem equipamentos grandes e valiosos, como instrumentação de campo e máquinas, e componentes de equipamentos pequenos, mas essenciais, como válvulas e correias de ventiladores.
Um sistema de manutenção preditiva é o aplicativo prático de uma política de manutenção preditiva. Um sistema de manutenção preditiva consiste em sensores conectados ao hardware de campo, os meios de integração com sistemas de controle industrial para coletar dados de sensores e realizar ações corretivas, além de software de análise preditiva para analisar dados e fazer previsões sobre possíveis falhas futuras de equipamentos. O ponto central de um sistema de manutenção preditiva é um hub de controle por meio do qual as tarefas das equipes de manutenção são cronogramadas.
Antes de as organizações implementarem uma política de manutenção preditiva, elas devem projetar um programa de manutenção preditiva (plano de ação). Um programa de manutenção preditiva descreve os ativos que serão mantidos e identifica os possíveis pontos de falha, chamados de modos de falha, sob diferentes condições operacionais.
Os modos de falha são as maneiras específicas pelas quais os componentes podem falhar. Exemplos de modos de falha são erro humano, corrosão, erosão, desgaste e fadiga de metal. Os modos de falha podem resultar em mau funcionamento, como correias de ventilador desalinhadas, falhas na vedação da bomba, defeitos de lubrificação e tanques de combustível vazios. Os componentes podem ter vários modos de falha em potencial.
O modelo de manutenção preditiva para a manutenção de ativos evoluiu em resposta às limitações e desvantagens dos modelos de manutenção preventiva e reativa. Por exemplo, a manutenção preventiva exige muita mão de obra e pode resultar em excesso de manutenção, e a manutenção reativa consome muito tempo e pode resultar em paradas esporádicas.
A estratégia de manutenção de ativos de uma organização geralmente combina diferentes tipos de abordagens de manutenção de ativos para tratar de diferentes tipos de problemas. Por exemplo, os programas de manutenção reativa fornecem soluções para falhas inesperadas de equipamentos. O objetivo de um sistema de manutenção preditiva, por outro lado, é prever quando poderá ocorrer um mau funcionamento do equipamento e evitar falhas por meio de tarefas de manutenção corretiva programadas.
As limitações do modelo tradicional de manutenção preditiva para manutenção de ativos fizeram com que mais organizações adotassem uma abordagem híbrida, combinando monitoramento de condições, manutenção preditiva baseada em IoT e técnicas de manutenção prescritiva.
A manutenção preditiva tem como objetivo realizar a manutenção corretiva antes que o equipamento falhe, enquanto a manutenção de avarias é realizada após a falha do equipamento.
Exemplos de manutenção de avarias incluem a manutenção reativa ou corretiva, a manutenção run-to-failure (RTF) e o tempo de inatividade não planejado.
Quando um ativo falha inesperadamente, os insights sobre a causa, a gravidade e a probabilidade de a falha ocorrer no futuro fornecem dados para algoritmos de análise preditiva que preveem a probabilidade de falhas futuras do equipamento.
O custo inicial da implementação de programas de manutenção de paradas é baixo, mas o custo de reparo de ativos em programas de manutenção de paradas é alto, porque as peças podem precisar ser substituídas em vez de reparadas e podem não estar prontamente disponíveis, o que pode resultar em períodos longos e não planejados de tempo de inatividade. A manutenção de parada é um tipo de abordagem do "Plano B".
Assim como a manutenção preditiva, a manutenção preventiva ou baseada no tempo reduz a ocorrência e o impacto das falhas do equipamento.
A manutenção preditiva envolve a execução de tarefas de manutenção em função da condição dos componentes.
A manutenção preventiva envolve o cronograma de tarefas de manutenção regulares que podem ser desnecessárias, como a substituição de uma peça com base em uma estimativa do fabricante sobre a vida útil projetada da peça. A manutenção preventiva é importante em sistemas de segurança e de missão crítica.
Os termos manutenção baseada em condições (CBM) e manutenção preditiva às vezes são usados de forma intercambiável, mas são ligeiramente diferentes.
Ambos os tipos envolvem o monitoramento regular dos dados do sensor para identificar uma possível falha ou problema com um componente.
As técnicas de manutenção preditiva usam fórmulas que combinam dados de sensores em tempo real e dados históricos para fazer previsões sobre futuros requisitos de manutenção. Por exemplo, os algoritmos analíticos preditivos podem estimar quanto tempo levará até que um tanque precise ser reabastecido e cronograma uma tarefa para que as equipes de manutenção façam isso no futuro.
O CBM se baseia em medições em tempo real para agir quando os dados do sensor não estão dentro da faixa de seu valor ideal, por exemplo, o volume de combustível em um tanque está muito baixo. Nesse cenário, as equipes de manutenção podem não ter os recursos para realizar a operação de reabastecimento naquele momento, deixando uma máquina temporariamente inativa.
Usadas em conjunto, a manutenção preditiva e o CBM podem ajudar as organizações a monitorar os equipamentos quanto a defeitos atuais e futuros.
Os modelos de manutenção prescritiva vão um passo além dos modelos tradicionais de manutenção preditiva. Os sistemas de manutenção preditiva preveem possíveis falhas nos equipamentos e sugerem maneiras de atrasá-las ou mitigá-las no futuro. Por exemplo, os resultados de um programa de manutenção preditiva podem destacar que uma correia transportadora provavelmente quebrará nos próximos meses.
Com uma abordagem de manutenção prescritiva, os resultados incluiriam informações sobre como a correia transportadora poderia ser operada para aumentar sua vida útil, por exemplo, reduzindo sua velocidade, e reduzir o inevitável tempo de inatividade das equipes de manutenção para substituir peças.
Devido ao custo de implementação de soluções de manutenção preditiva, os sistemas preditivos tradicionais se concentravam nos ativos mais críticos e valiosos de uma organização. A manutenção preditiva de equipamentos menos críticos e menos valiosos geralmente envolvia verificações irregulares, programadas e aleatórias pelas equipes de manutenção.
Nos sistemas modernos de manutenção preditiva, as tecnologias de IoT, como várias opções de conectividade sem fio, sensores de sistema microeletromecânico (MEMS) de baixo custo, integração com sistemas externos, computação em nuvem, maior capacidade de armazenamento baseado em nuvem e inteligência artificial possibilitam a manutenção preditiva confiável de vários ativos em grandes redes de produção.
Os alertas personalizados e a visualização de dados permitem que você identifique e evite rapidamente problemas de saúde e desempenho da rede.
Os sistemas de manutenção preditiva são especialmente importantes para a operação segura e confiável de ativos em sistemas críticos, como petróleo e gás, mineração, aviação e manufatura industrial, e em usinas nucleares e fornecedores de serviços públicos.
Os sistemas de manutenção preditiva são comumente usados:
Alguns casos de uso de sistemas de manutenção preditiva são:
A manutenção preditiva ajuda as organizações a:
As notificações em tempo real significam uma solução de problemas mais rápida para que você possa agir antes que ocorram problemas mais sérios.
Os sensores de monitoramento de condições monitoram a saúde, o estado e o comportamento dos componentes, reunindo informações sobre variáveis como temperatura, corrosão, pressão, vibração, ruído e volume. As variáveis são indicadores de condição.
Ao projetar programas de manutenção preditiva, os cientistas de dados especificam quais indicadores de condição são mais úteis para distinguir entre a operação normal e a defeituosa de um determinado componente.
Ferramentas como analisadores de infravermelho, de óleo, de vibração, de circuito do motor, de alinhamento de deslocamento a laser e ultrassônicos medem indicadores de condição de diferentes tipos de sensores:
Nos sistemas modernos de manutenção preditiva, os modelos de aprendizado de máquina (ML) usam dados históricos do sensor e informações sobre o desempenho de um ativo para estabelecer padrões e linhas de base do comportamento normal. Em seguida, esses modelos procuram desvios e anomalias no desempenho em tempo real dos ativos e fazem previsões sobre se e quando um componente poderá falhar.
Os algoritmos de ML usam dados não apenas de sensores, mas também de fontes externas, por exemplo, informações de um relatório de um operador de campo, dados históricos de uma solução de planejamento de recursos empresariais (ERP) ou dados situacionais, como condições climáticas adversas, que podem ter impacto na operação de componentes específicos.
As ordens de serviço fornecem instruções para as equipes de manutenção repararem os componentes. As tarefas de reparo podem ser realizadas remotamente, como, por exemplo, o fechamento remoto de uma válvula, ou por intervenção humana, como a substituição física de uma peça.
As ordens de serviço são criadas por meio de um CMMS, automática ou manualmente. Os CMMSs também armazenam dados históricos sobre o desempenho dos ativos e ajudam a automatizar o cronograma das tarefas de manutenção de rotina e corretiva. Eles fornecem um hub central para organizar fluxos de trabalho e armazenar informações de aplicativos externos, como inventário e sistemas de gerenciamento da força de trabalho.
Normalmente, a criação de um programa de manutenção preditiva segue as seguintes etapas:
Primeiro, a gerência e as equipes de TI identificam ativos críticos e valiosos e documentam a operação ideal desses ativos, incluindo a faixa de valores desejados para parâmetros específicos, como a posição das pás de uma turbina eólica em condições climáticas específicas. Essas informações fornecem medições de linha de base para a operação desejada de um ativo.
Em segundo lugar, um banco de dados do CMMS é preenchido com informações sobre cada ativo. Os registros históricos sobre a manutenção dos ativos, as percepções da equipe de manutenção e operacional e as informações dos fabricantes sobre os equipamentos fornecem percepções valiosas sobre os possíveis modos de falha.
Em terceiro lugar, os analistas de sistemas usam a análise de efeitos e modos de falha (FMEA) para identificar as possíveis razões pelas quais os componentes do sistema podem falhar, a possibilidade de ocorrência de falhas (de extremamente provável a improvável) e quais podem ser as consequências (de risco de vida a danos leves ao equipamento). As ordens de serviço são priorizadas de acordo com essas classificações.
Em quarto lugar, os técnicos instalam equipamentos de monitoramento de condições, como sensores e PLCs.
Em quinto lugar, os cientistas de dados criam algoritmos preditivos para avaliar o comportamento e o estado em tempo real de um ativo em relação à sua operação de linha de base. O fluxo de trabalho envolvido na criação de um algoritmo preditivo é coletar dados de sensores, pré-processá-los em um formato do qual possam ser extraídos indicadores de condição úteis para um ativo específico, injetar indicadores de condição em um modelo de ML e, finalmente, implementar o algoritmo, inicialmente em ativos piloto para testar o algoritmo.
Em sexto lugar, as tarefas automatizadas corretivas e as instruções para os técnicos são formuladas para responder a alertas sobre possíveis falhas de componentes.
Uma estrutura comumente usada para desenvolver um programa de manutenção preditiva é o modelo de manutenção centrada na confiabilidade (RCM). Nem todos os equipamentos podem ser mantidos de forma econômica usando técnicas de manutenção preventiva e nem todos os equipamentos precisam de manutenção preditiva. O RCM ajuda as organizações a analisar as principais causas de possíveis falhas de equipamentos e a projetar programas de manutenção mais eficientes para diferentes tipos de ativos e diferentes requisitos.
Os objetivos de uma análise de RCM são identificar os modos de falha, priorizar os modos de falha em termos de risco e custo, escolher os melhores processos para atenuar a falha e preservar a funcionalidade desejada de um sistema.
A RCM não é a mesma coisa que a manutenção preditiva. Usando a RCM, as organizações podem analisar o benefício de diferentes tipos de técnicas de manutenção, como manutenção preditiva, preventiva ou reativa para ativos específicos em diferentes condições, ou seja, para diferentes modos de falha.
Por exemplo, um determinado equipamento pode ser propenso ao desgaste do cabeamento e exigir manutenção preditiva. Outro equipamento pode depender muito de uma conexão confiável com a nuvem e ter opções de conexão alternativas para mitigar o tempo de inatividade inesperado do sistema. Outro equipamento pode precisar de manutenção preventiva regular para cumprir normas de segurança rigorosas.
A RCM foi desenvolvida no setor de aviação comercial para melhorar a confiabilidade e a segurança dos equipamentos. Ela se baseia na norma JA1011 da Society of Automotive Engineers (SAE), publicada em 1978 pelo Departamento de Defesa dos EUA. O SAE JA1011 é o padrão mais amplamente usado para desenvolver sistemas de manutenção preditiva.
O PRTG é um software abrangente de monitoramento de rede e mantém o controle de toda a sua infraestrutura de TI.
Projetar e implementar uma solução de manutenção preditiva pode ser demorado, trabalhoso e caro. Se estiver procurando por uma ferramenta de monitoramento que o apoie em seu programa de manutenção preditiva, entre em contato com os especialistas em monitoramento da Paessler para conversar sobre suas necessidades.
O PRTG pode monitorar quase qualquer objeto que tenha um endereço IPS. Leia um estudo de caso sobre como os produtos PRTG monitoram toda a infraestrutura de uma planta de gerenciamento de água aqui.
