A maioria das equipas de manutenção já conhece a teoria. Os sensores monitorizam o equipamento, um algoritmo deteta uma anomalia e um técnico resolve o problema antes que este se transforme numa avaria. Eis o que é a manutenção preditiva, resumida numa frase.
A lacuna torna-se evidente na execução. Uma pico de vibração é detetado numa terça-feira, a ordem de trabalho é emitida na quarta-feira e, em seguida, o planeador descobre que o rolamento cuja avaria tinha sido prevista pelo modelo não se encontra no armazém. Trata-se de um artigo com um prazo de entrega de três semanas proveniente de um fornecedor estrangeiro. A previsão estava correta e foi útil, mas mesmo assim não conseguiu evitar o tempo de inatividade.
Esta é a parte da manutenção preditiva que raramente é abordada nas demonstrações dos fornecedores. A qualidade de uma previsão depende da capacidade de agir em conformidade com ela, e essa capacidade de agir resume-se, quase sempre, à disponibilidade da peça de substituição certa na prateleira, na fábrica certa e no momento certo.
Este artigo aborda a manutenção preditiva como uma estratégia abrangente, em vez de se limitar a uma questão de sensores. Iremos analisar o leque de estratégias de manutenção, a forma como a Gestão do Desempenho dos Ativos (APM) se enquadra neste contexto, onde a IA acrescenta verdadeiramente valor e o aspeto em que a maioria das equipas investe menos: a ligação entre as previsões de avarias e a disponibilidade de peças sobressalentes.
O lugar da manutenção preditiva no espectro estratégico
A manutenção preditiva não substitui todas as outras abordagens. É apenas uma opção dentro de um leque de possibilidades, e os programas de fiabilidade bem estabelecidos aplicam várias abordagens em paralelo, consoante o ativo em questão.
Num extremo, temos a manutenção reativa, em que se utiliza o equipamento até este avariar. É barata de planear e dispendiosa quando ocorre uma avaria, mas continua a fazer sentido para ativos de baixa criticidade e facilmente substituíveis.
A manutenção preventiva passa a seguir um calendário fixo. A bomba é submetida a manutenção a cada 90 dias, quer necessite disso ou não. Este método é previsível e fácil de planear, mas desperdiça esforços em equipamentos em bom estado e continua a não detetar falhas que não seguem um calendário. Se pretender uma comparação mais aprofundada destas duas abordagens, a nossa análise de manutenção preventiva vs. manutenção preditiva aborda as vantagens e desvantagens em pormenor.
Conserta-o quando se avariar
Sem custos adicionais de planeamento. Custo elevado em caso de falha. Adequado para ativos não críticos e de baixas consequências.
- Não há requisitos relativos a sensores ou dados
- Tempos e custos de reparação imprevisíveis
- Aceitável apenas quando a falha é tolerável
Manutenção programada
Intervalos de tempo fixos ou baseados na utilização. Previsíveis e fáceis de planear, mas apenas permitem a manutenção de ativos em bom estado e não detetam falhas fora do ciclo.
- Fácil de planear e de mobilizar recursos
- Desperdiça esforço em equipamento em bom estado
- Confiável para ativos com padrões de desgaste conhecidos
Intervir sob determinada condição
Dados reais sobre o estado das máquinas e modelação de avarias. Máxima precisão, mínimo desperdício, mas exige dados fiáveis e disponibilidade de peças sobressalentes.
- Não há manutenção desnecessária de ativos em bom estado
- Requer cobertura dos sensores e qualidade dos dados
- Ideal para ativos críticos e de grande importância
A manutenção preditiva baseia-se no estado real do ativo para determinar quando intervir. Em vez de seguir um calendário, analisam-se os sinais de vibração, temperatura, qualidade do óleo e outros indicadores para detetar precocemente sinais de degradação. Quando bem executada, isto significa que a manutenção do equipamento é realizada imediatamente antes da avaria, em vez de numa data arbitrária.
O que importa é que a escolha da estratégia adequada para cada ativo constitui, por si só, uma disciplina. Essa decisão decorre normalmente de um quadro mais amplo de manutenção centrada na fiabilidade, que o obriga a questionar-se sobre o que cada ativo faz, como é que avaria e qual é o custo real dessa avaria, antes de lhe atribuir uma abordagem de manutenção.
Utilizar o equipamento até que este avarie e, em seguida, repará-lo. Baixa sobrecarga de planeamento, elevado custo de avaria. Esta abordagem só se justifica no caso de equipamento não crítico, de baixo custo e facilmente substituível, em que uma avaria não acarreta consequências para a segurança ou a produção.
Manutenção com intervalos fixos de tempo ou de utilização. É previsível e fácil de planear, mas implica a manutenção desnecessária de ativos em bom estado e continua a não detetar falhas que não seguem o calendário. Uma opção predefinida sensata para ativos de criticidade média com padrões de desgaste bem conhecidos.
Intervir com base em dados reais sobre o estado do equipamento e na modelação de falhas. Oferece a máxima precisão e o mínimo de esforço desperdiçado, mas exige cobertura de sensores, qualidade dos dados e, fundamentalmente, disponibilidade de peças sobressalentes. Recomenda-se especialmente para ativos críticos e de alto impacto, em que o tempo de inatividade é dispendioso.
Como o APM liga a previsão à ação
A Gestão do Desempenho dos Ativos (APM) é a camada que transforma os dados de estado em decisões. Quando um único sensor indica que um rolamento está a aquecer em excesso, a APM reúne os dados de monitorização do estado, o histórico de avarias, o nível de criticidade e os registos de manutenção para lhe proporcionar uma visão completa do estado dos ativos em toda a fábrica.
A razão pela qual a APM é importante para a manutenção preditiva é que uma previsão, por si só, é apenas um sinal. A APM é o que dá contexto a esse sinal. Responde às perguntas que determinam se a previsão conduz a um bom resultado ou a uma situação de emergência. Quão crítico é este ativo para a produção? Qual é o modo de falha provável? Que peças são necessárias para resolver essa falha? Temos essas peças e onde estão?
É nesse último conjunto de questões que a maioria das implementações de APM falha discretamente. São eficazes na deteção e no diagnóstico, mas apresentam deficiências na ligação do diagnóstico ao inventário físico necessário para agir em conformidade. Um modelo pode indicar, com elevada confiança, que uma caixa de velocidades irá avariar dentro de duas semanas, mas se ninguém tiver associado essa caixa de velocidades à sua lista de materiais e verificado o stock nas diferentes fábricas, a previsão não altera o que irá acontecer a seguir.
Um APM eficaz fecha esse ciclo. Ele associa o ativo, os seus modos de falha, as suas peças sobressalentes e o seu estado de stock numa única visualização, de modo que surge automaticamente uma previsão sobre se está pronto para responder. É exatamente aqui que a inteligência de ativos e a inteligência de peças sobressalentes têm de funcionar como um único sistema, em vez de duas ferramentas desligadas entre si.
Detetar e diagnosticar
O APM recolhe dados de estado a partir de sensores de vibração, térmicos e de IIoT para identificar precocemente a degradação e caracterizar o modo de falha provável. Esta é a parte do APM em que a maioria das ferramentas tem um bom desempenho.
Preparar-se e responder
A parte mais difícil. O APM tem de associar cada avaria prevista às peças sobressalentes necessárias e ao estado atual do inventário, para que um aviso desencadeie uma verificação da disponibilidade, em vez de uma procura de última hora pelos armazéns.
Onde a IA realmente merece o seu lugar
Atualmente, a IA é associada a quase todos os produtos de manutenção, o que faz com que valha a pena especificar em que aspetos ela altera realmente os resultados e em que aspetos se trata apenas de um adorno.
A verdade é que a IA acrescenta valor em três aspetos do fluxo de trabalho da manutenção preditiva. O primeiro é a deteção de anomalias em grande escala. Um ser humano consegue monitorizar apenas alguns ativos críticos. Um modelo, por sua vez, consegue monitorizar milhares de fluxos de sensores e identificar os padrões subtis envolvendo múltiplas variáveis que antecedem uma falha, aqueles que não acionam um simples alarme de limiar.
O segundo é a classificação dos modos de falha. Não basta saber que algo está errado. É preciso saber que tipo de problema é, porque o modo de falha determina as peças e a reparação. Um modelo treinado com dados de falhas industriais pode passar de «este ativo está a deteriorar-se» para «isto parece ser uma falha específica num rolamento que vai necessitar destas peças», o que constitui um resultado muito mais prático.
O terceiro, e o mais subestimado, é a geração de sinais de procura para peças sobressalentes. Quando um modelo prevê uma avaria, essa previsão é também um sinal de procura. Indica que uma peça específica provavelmente será consumida em breve. Ao incorporar um número suficiente desses sinais no planeamento de inventário, passa-se de uma previsão de peças sobressalentes com base em médias históricas para uma previsão baseada em falhas efetivamente previstas. Trata-se de um ganho significativo em termos de precisão, e só é possível quando o motor de previsão e o motor de inventário comunicam entre si.
Há duas ressalvas que mantêm esta abordagem com os pés no chão. As previsões da IA são probabilísticas, não certas, pelo que continua a ser essencial uma revisão humana das decisões de alto impacto. E cada uma destas capacidades depende da qualidade dos dados subjacentes. Um modelo que analise registos de peças sobressalentes duplicados, mal categorizados ou incompletos produzirá respostas «confiantes», mas erradas, o que é pior do que não ter resposta nenhuma.
O problema das peças sobressalentes que ninguém quer assumir
É aqui que as estratégias de manutenção preditiva se confirmam ou fracassam na prática. Pode ter sensores perfeitos, um modelo bem ajustado e uma plataforma APM madura e, mesmo assim, não alcançar o resultado pretendido na arrecadação.
A falha acontece da seguinte forma. A previsão é executada corretamente. A ordem de trabalho é emitida. E, depois, alguém descobre que a peça não está em stock, ou que se encontra num armazém noutra fábrica a trezentas milhas de distância, ou que o registo da mesma está tão mal mantido que ninguém consegue confirmar se os dois números de peça, aparentemente semelhantes, correspondem, de facto, ao mesmo componente.
Existem três problemas subjacentes que estão na origem desta situação, e nenhum deles é resolvido com sensores de melhor qualidade.
A primeira é a criticidade das peças sobressalentes. As equipas partem normalmente do princípio de que qualquer peça ligada a um ativo crítico é, por si só, crítica, o que simplesmente não é verdade. Apenas algumas peças de um ativo crítico são críticas, e algumas peças de ativos não críticos têm mais importância do que se poderia esperar. Errar neste ponto significa acumular stock em excesso dos itens errados e ficar sem os itens certos. Uma abordagem adequada avaliação da criticidade dos ativos tem de se estender até ao nível das peças, não se limitando ao ativo.
O segundo aspeto é a qualidade dos dados. A manutenção preditiva depende de dados precisos sobre peças sobressalentes, e os dados relativos a peças sobressalentes industriais são notoriamente desorganizados. Registos duplicados, descrições inconsistentes, especificações em falta e ausência de uma ligação fiável entre as peças e os ativos a que pertencem. Se a ligação entre a peça e o ativo não existir, uma previsão de avaria não consegue indicar automaticamente qual a peça que deve ser retirada do armazém.
O terceiro aspeto é o posicionamento do stock. Mesmo com dados precisos e uma classificação de criticidade correta, a peça tem de estar no local certo. Uma peça de substituição crítica que se encontre na fábrica errada equivale, na prática, a uma falta de stock. É por isso que gestão de peças sobressalentes necessita de uma visão global de várias fábricas, em vez de uma visão por local, pelo que uma falha prevista pode desencadear uma transferência entre fábricas antes de se tornar uma encomenda de emergência.
O verdadeiro custo de se cometer este erro
Mais de metade do tempo de inatividade das máquinas está relacionado com a indisponibilidade de peças sobressalentes ou com o facto de os técnicos não disporem do necessário para concluir uma reparação. Ao mesmo tempo, cerca de um quarto do inventário de manutenção está parado como stock ocioso, sendo que os artigos obsoletos ocupam espaço no armazém e consomem capital de giro há anos. Ambos os problemas têm a mesma causa principal, que consiste em decisões relativas às peças sobressalentes desligadas dos dados reais sobre os ativos e as avarias.
Fechar o ciclo com o MRO360
É precisamente esta lacuna que o MRO360 foi concebido para colmatar. Aborda a manutenção preditiva não como um problema de deteção, mas sim como um fluxo de ponta a ponta, desde o sinal de avaria até à peça certa na prateleira certa. A ligação entre a previsão e a ação é o que falta à maioria das plataformas, e é precisamente esse o objetivo do produto.
Começa pela avaliação da criticidade ao nível da peça, e não apenas ao nível do ativo. O MRO360 aplica um sistema de pontuação multivariável que pondera os modos de falha, o impacto na produção, os prazos de entrega dos fornecedores, a substituibilidade e as consequências para a segurança, para atribuir a cada peça uma pontuação de 1 a 10, com uma justificação por escrito para cada pontuação. Um especialista na matéria pode anular qualquer pontuação, e essa correção é incorporada e implementada em todas as fábricas, pelo que uma decisão tomada numa unidade melhora a precisão em todas as outras.
Estabelece automaticamente ligações entre peças e ativos. Ao ler a lista de materiais do ativo a partir do seu ERP, o MRO360 cria as ligações entre peças e ativos que tornam uma previsão exequível. Quando é prevista uma avaria num ativo específico, o sistema já sabe quais as peças que essa avaria irá exigir, uma vez que a ligação já existe, em vez de ter de ser identificada no momento.
Este módulo integra previsões na previsão da procura. O módulo de manutenção preditiva utiliza os dados dos sensores da IIoT como uma camada adicional de inteligência, identificando quais os ativos com maior probabilidade de avaria, as razões para tal e quais as peças que a avaria irá consumir. Essa informação é incorporada diretamente na previsão da procura, pelo que uma avaria antecipada se transforma numa necessidade de inventário planeada, em vez de um pico imprevisto.
Além disso, gere dinamicamente os pontos de reabastecimento e o posicionamento. O MRO360 calcula os pontos de reabastecimento com base no consumo médio diário, no prazo de entrega e no stock de segurança, e recomenda um stock de segurança mais generoso para peças críticas e mais conservador para as não críticas. Quando uma peça crítica fica abaixo do limiar em qualquer local, o sistema sinaliza a falta e sugere uma pedido de aquisição ou uma transferência entre fábricas antes que a falta se traduza em tempo de inatividade.
Sistema de pontuação multivariável que abrange modos de falha, tempo de resposta, substituibilidade e segurança, com intervenção humana que treina o sistema centralmente, instalação a instalação.
Lê as listas de materiais dos ativos a partir do ERP para associar cada peça ao respetivo equipamento, de modo a que, caso seja prevista uma avaria, sejam imediatamente identificadas as peças necessárias.
Transforma as previsões de avarias da IIoT em necessidades de stock antecipadas e distribui o stock pelas fábricas, de modo a que a peça certa esteja disponível no local onde a reparação é efetuada.
Descubra como o MRO360 associa as previsões de avarias à disponibilidade de peças sobressalentes em todas as fábricas, de modo a prevenir os tempos de inatividade, em vez de se limitar a prevê-los.
Contam com a nossa confiança empresas da Fortune 500 e da Global 2000
Uma sequência prática para dar os primeiros passos
A manutenção preditiva, quando bem executada, é um processo gradual, não um interruptor que se liga de uma vez. As equipas que tentam implementar tudo de uma só vez tendem a ficar paralisadas sob o peso de dados de má qualidade e prioridades pouco claras. Um caminho mais fiável consiste em construir primeiro as bases.
Comece por corrigir os dados e a classificação de criticidade. Antes de adicionar um único sensor, organize os registos de peças sobressalentes e atribua uma classificação de criticidade a cada peça. Este trabalho não é nada glamoroso, mas é o que terá maior impacto, porque tudo o que se segue assenta nesta base. Se estiver errado, sensores melhores apenas produzem respostas erradas mais rapidamente.
Em seguida, estabeleça as ligações entre as peças e os ativos. Certifique-se de que cada ativo está ligado à sua lista de materiais e que cada modo de falha está associado às peças que consome. É isto que permite que uma previsão se traduza automaticamente numa ação de gestão de stock, em vez de uma investigação manual.
Em seguida, implemente a monitorização do estado dos seus ativos mais críticos. Não é necessário equipar toda a fábrica com sensores logo no primeiro dia. Concentre o investimento em sensores nos locais onde uma avaria seja mais dispendiosa e onde já tenha realizado a análise de criticidade necessária para o determinar.
Por fim, relacione as previsões com o planeamento de stock. Integre os sinais de falha na previsão da procura e na lógica de reabastecimento, de modo a que uma previsão influencie o que se armazena e onde. Este é o passo que transforma a manutenção preditiva de um painel de controlo interessante numa redução dos casos de falta de stock e do stock ocioso. Para um contexto mais alargado sobre como isto se enquadra num programa de gestão de ativos, consulte a nossa visão geral sobre Gestão de inventário de MRO é uma leitura complementar útil.
Eliminar duplicados e enriquecer os registos de peças sobressalentes, atribuindo uma pontuação de criticidade a cada peça. A base da qual tudo o resto depende.
Ligue cada ativo à sua lista de materiais (BOM) e associe os modos de falha às peças que estes consomem, para que as previsões se tornem passíveis de ação.
Implemente a monitorização de condições nos pontos em que as avarias são mais onerosas, com base no trabalho de avaliação da criticidade já realizado.
Incorpore as previsões na previsão da procura e na lógica de reabastecimento, para que as falhas previstas determinem o que deve armazenar e onde.
Conclusão
A manutenção preditiva é frequentemente apresentada como uma questão de sensores e algoritmos, e é precisamente nessa perspetiva que muitos programas apresentam, discretamente, um desempenho abaixo do esperado. A tecnologia de deteção está madura e torna-se cada vez mais comum. O fator diferenciador é o que acontece depois de a previsão ser acionada.
Uma previsão de avaria só gera valor se for possível agir em conformidade, e agir em conformidade significa, quase sempre, dispor da peça sobressalente certa, devidamente identificada, no local certo e no momento certo. Trata-se, muito mais, de um problema de dados e de peças sobressalentes do que de um problema de sensores.
As equipas que tiram o máximo partido da manutenção preditiva são aquelas que tratam a previsão e as peças como um único sistema interligado. Limpe os dados, determine corretamente o nível de criticidade de cada peça, associe as peças aos ativos e integre as previsões no planeamento de inventário. Se fizer isso, a manutenção preditiva deixa de ser um painel que lhe indica o que está prestes a avariar e passa a ser uma capacidade operacional que, discretamente, garante que a avaria nunca se traduza em tempo de inatividade.
Perguntas frequentes sobre manutenção preditiva
Perguntas frequentes sobre a estratégia de manutenção preditiva, a sua relação com a APM e as peças sobressalentes, e em que aspetos a IA contribui efetivamente.
Qual é a diferença entre manutenção preditiva e manutenção preventiva?
A manutenção preventiva segue um calendário fixo, realizando a manutenção de um equipamento em intervalos de tempo ou de utilização definidos, independentemente do seu estado real. A manutenção preditiva utiliza dados reais sobre o estado do equipamento, tais como a vibração e a temperatura, além de modelos de falhas, para intervir apenas quando o equipamento está efetivamente a deteriorar-se. A manutenção preditiva é mais precisa e desperdiça menos esforço, mas exige cobertura de sensores, dados fiáveis e a disponibilidade de peças sobressalentes para funcionar.
De que forma a gestão do desempenho dos ativos se relaciona com a manutenção preditiva?
O APM é a camada que transforma os sinais de estado em decisões. Um único sensor indica que um ativo está a aquecer em excesso, enquanto o APM reúne dados de monitorização do estado, histórico de avarias, grau de criticidade e peças sobressalentes para fornecer um contexto completo sobre o estado do ativo. Um APM eficaz associa uma previsão às peças e ao inventário necessários para agir em conformidade, em vez de se limitar à deteção.
Por que razão as peças sobressalentes são tão importantes para a manutenção preditiva?
Uma previsão só evita o tempo de inatividade se a peça necessária estiver disponível. Muitos programas prevêem corretamente uma avaria e, posteriormente, descobrem que a peça está esgotada ou se encontra noutra fábrica. A ligação entre as previsões de avarias e a criticidade ao nível das peças, dados precisos sobre a relação entre peças e ativos e a localização do inventário em várias fábricas é o que transforma uma previsão numa avaria evitada.
Em que aspetos é que a IA acrescenta verdadeiramente valor na manutenção preditiva?
Em três áreas principais. Detetar anomalias em milhares de fluxos de sensores que escapam aos alarmes de limiar, classificar o modo de falha específico para que se saiba quais as peças necessárias e gerar sinais de procura de peças sobressalentes, tratando cada falha prevista como uma necessidade de inventário antecipada. Todas estas três áreas dependem de dados subjacentes fiáveis, e as previsões com consequências graves continuam a exigir uma revisão humana.
Todas as peças sobressalentes de um ativo crítico são também críticas?
Não, e partir desse pressuposto é um erro comum e dispendioso. Apenas algumas peças de um ativo crítico são, por si só, críticas, e algumas peças de ativos não críticos têm mais importância do que se poderia esperar. A criticidade tem de ser avaliada ao nível de cada peça, ponderando o modo de falha, o prazo de entrega, a substituibilidade e as consequências para a segurança, para que se armazene os itens certos em vez de se acumular um excesso de stock dos itens errados.
A Verdantis orgulha-se de ser o parceiro de confiança de organizações líderes em todo o mundo.
Desde empresas da Fortune 500 até pioneiros do setor, os nossos clientes têm confiado nas nossas soluções de MDM
