Uma linha de produção numa grande unidade fabril pára repentinamente. Trata-se de uma bomba essencial do sistema de arrefecimento que avaria sem aviso prévio. À medida que a correia de produção começa a aquecer, os operadores são obrigados a interromper todo o processo. O que se segue é uma reação em cadeia, que começa com mão-de-obra ociosa e prazos de entrega não cumpridos, culminando na aquisição urgente de peças sobressalentes e numa pressão crescente.
Sabia que essas paragens não planeadas custam às empresas fabricantes dos EUA até $207 milhões por semana? E nada menos que 55% de empresas enfrentam estas situações uma vez por ano.
E se fosse possível planear este tempo de inatividade? Muitos setores com grande volume de ativos já incluem tempos de inatividade planeados nas suas estratégias. Normalmente, destinam-se à manutenção planeada, quando os ativos não estão a ser utilizados, ou situações semelhantes. No entanto, as organizações também podem evitar tempos de inatividade não planeados, mitigando eventos inesperados. E é aí que a monitorização do estado entra em cena.
Se está a perguntar-se o que é a monitorização de estado, trata-se do processo de acompanhamento contínuo ou periódico do estado de funcionamento de máquinas ou equipamentos. Isto é feito com a ajuda de sensores que recolhem dados sobre os fatores que determinam o estado de um ativo, tais como a vibração, o óleo, a temperatura e a pressão. Com base nestes dados, as equipas de manutenção podem detetar anomalias em relação ao comportamento normal de funcionamento.
Como a monitorização baseada no estado está a mudar a forma de pensar em matéria de manutenção
O equipamento nunca é previsível e, no entanto, a maioria das estratégias tradicionais foi concebida com base na previsibilidade. As equipas baseavam-se em calendários fixos, assentes na previsibilidade das avarias. Por exemplo, uma máquina mais propensa a avarias seria submetida a manutenção duas vezes por mês. Por outro lado, um componente como um rolamento seria substituído de seis em seis meses.
Embora esta abordagem ofereça uma estrutura, também introduz ineficiências. E se um componente de um sistema for substituído antes do fim da sua vida útil? Ou e se um componente avariar porque o seu estado nunca foi avaliado em tempo real?
A monitorização do estado altera esta abordagem desde a sua base. Em termos simples, desloca todo o foco de «quando» a manutenção deve ser realizada para «por que razão» deve ser realizada.
Esta mudança introduz um padrão de referência para o desempenho operacional de uma máquina ou de um ativo. Ao longo do tempo, os sensores ajudam a monitorizar os desvios em relação a esse padrão, permitindo que as equipas de manutenção adotem uma abordagem proativa. Em vez de esperar que ocorra uma avaria para depois reagir, a manutenção pode começar assim que os problemas começam a surgir.
Devido a esta mudança, a procura por sistemas de monitorização do estado está a aumentar a nível mundial. De acordo com Fortune Business Insights, o mercado atingiu um valor de $3 mil milhões em 2025. Com uma taxa de crescimento anual composto (CAGR) de 9,7% entre 2026 e 2034, estima-se que mais do que duplique e atinja $6,8 mil milhões.
Esta mudança não se resume apenas à transição da manutenção baseada no calendário para a manutenção baseada no estado. Trata-se também de passar de indicadores atrasados para indicadores antecipados e da manutenção reativa para o planeamento proativo.
A tabela abaixo mostra como a monitorização baseada no estado altera toda a organização da manutenção:
| Característica | Monitorização tradicional | Monitorização baseada no estado |
|---|---|---|
| Desencadeador principal | Esta monitorização baseia-se em horários fixos, pelo que uma inspeção durante um desses ciclos ou uma falha total constituirá o ponto de ativação | Os gatilhos baseiam-se em limiares em tempo real |
| Conhecimento dos ativos | Os planos de manutenção são elaborados com base nas recomendações gerais do fabricante | As informações relativas aos parâmetros vitais de cada ativo são recolhidas em tempo real |
| Cultura de equipa | As equipas são recompensadas por resolverem os problemas rapidamente | Neste caso, a recompensa não é por resolver os problemas, mas por manter tudo a funcionar |
| Inventário | Estocagem com base nos padrões históricos de compra | O inventário é otimizado no momento certo, com base no estado dos ativos e na previsão de avarias |
Uma perspetiva multiparâmetro da monitorização de ativos
Embora seja possível que um equipamento avarie por uma única razão, na maioria dos casos não é esse o que acontece. Podem ocorrer simultaneamente alterações mecânicas, térmicas e químicas. É por isso que se torna importante considerar vários aspetos do estado de um ativo ao mesmo tempo. A monitorização do estado dos ativos facilita este processo, através do acompanhamento de diferentes parâmetros de estado.
Cada um destes parâmetros permite ter uma ideia de como uma máquina está a funcionar em tempo real. A temperatura, por exemplo, revela o esforço térmico e a perda de energia, sendo um dos primeiros sinais de avaria. Indica um aumento do atrito nos rolamentos, resistência elétrica nos motores ou uma redução da eficiência de arrefecimento.
A pressão, por outro lado, fornece informações sobre o fluxo do fluido. Por exemplo, uma queda na pressão indica uma fuga algures, enquanto um pico pode significar resistência ou um bloqueio.
Os parâmetros de qualidade do óleo também servem como meios de diagnóstico para obter evidências diretas do interior da máquina. A viscosidade influencia o desempenho da lubrificação, as partículas metálicas indicam desgaste e a contaminação por água acelera a corrosão. Uma vez que cada desequilíbrio, desalinhamento, folga e defeito nos rolamentos gera padrões de frequência únicos, a vibração torna-se outro fator rico em informação.
Todos estes parâmetros podem fornecer informações sobre falhas nas máquinas numa fase inicial. No entanto, é aconselhável interpretar estes sinais em conjunto. Isto permitir-lhe-á obter uma visão global do problema. Através desta visão, poderá colaborar com as equipas de manutenção e de engenharia para identificar e resolver os problemas na sua origem.
Técnicas de monitorização do estado
Conforme referido na secção anterior, existem vários parâmetros do equipamento que é necessário monitorizar. Para tal, são utilizadas diferentes técnicas, cada uma das quais recorre a um tipo diferente de sensor para recolher informações relevantes. Compreender qual a técnica mais adequada para detetar as anomalias torna todo o processo de monitorização baseada no estado muito mais fácil.
Monitorização de vibrações
A análise das vibrações de máquinas rotativas é uma das técnicas mais antigas e mais utilizadas no âmbito da monitorização baseada no estado. De acordo com Perspetivas do Mercado Futuro, detém cerca de 30,61 TP3T da quota de mercado total do sistema de monitorização de condições.
Os sensores utilizados nesta técnica de monitorização chamam-se acelerómetros. Estes recolhem dados de vibração que podem ser processados através da análise do espectro de frequências, bem como da deteção de envelope.
O principal objetivo destes sistemas é detetar desequilíbrios, desalinhamentos de eixos e outros problemas mecânicos numa fase inicial.
Monitorização eletromagnética
A monitorização eletromagnética deteta variações no campo magnético, razão pela qual só funciona com equipamento elétrico. Os resultados da análise obtidos através desta técnica estão associados ao fluxo de corrente num motor ou à forma como o rotor interage com o estator.
Os sensores aqui utilizados recolhem dados sobre o padrão de fluxo e as emissões eletromagnéticas de uma máquina em funcionamento. Estes sinais podem, em seguida, ser analisados para detetar assimetrias ou distorções.
A monitorização eletromagnética é a mais eficaz na deteção:
- Barras do rotor partidas
- Avarias nos enrolamentos do estator
- Ecentricidade do espaço de ar
- Desequilíbrio elétrico
Esta técnica é útil para obter uma visão abrangente, uma vez que permite detetar avarias internas do motor sem necessidade de o desligar ou desmontar.
Termografia por infravermelhos
Esta técnica permite visualizar a distribuição da temperatura, um indicador fundamental do estado de funcionamento da máquina. Quando um equipamento tem de envidar esforços adicionais para atingir os resultados normais, começa a aquecer. Detetar este aumento de temperatura numa fase inicial pode indicar potenciais problemas subjacentes que, se não forem resolvidos atempadamente, podem conduzir a uma avaria.
Para além dos sensores, também são utilizadas câmaras para recolher dados de termografia infravermelha. Estas câmaras infravermelhas captam imagens térmicas para identificar os pontos onde se gera mais calor. Se o nível de calor exceder um determinado limiar, a solução de monitorização de condições pode acionar um alerta automático para a equipa de manutenção.
Com esta técnica, é possível detetar a degradação do isolamento, o sobreaquecimento dos rolamentos e o bloqueio do fluxo de ar ou problemas de arrefecimento.
Interferometria a laser
Tal como o nome sugere, esta técnica utiliza feixes de laser para detetar anomalias em diferentes padrões. Uma vez que envolve a criação e a monitorização de padrões com feixes de laser, é uma das técnicas de monitorização de estado mais precisas.
É possível monitorizar alterações à escala do mícron ou do nanómetro. Por isso, é muito utilizado em setores em que a precisão influencia a qualidade do produto, como o dos semicondutores ou o aeroespacial. No entanto, embora seja muito eficaz e preciso, a sua implementação é também um pouco dispendiosa.
Quando instalado corretamente, este sistema permite detetar o desalinhamento dos eixos, microvibrações e deformações estruturais sob carga.
Análise de óleo
Se quiser verificar o desempenho interno de uma máquina, a análise do óleo constitui uma forma simples de o fazer. Esta análise examina o lubrificante à medida que este circula pelo sistema. E, por isso mesmo, o óleo transporta também todos os indícios de desgaste e corrosão presentes na máquina.
A maioria das outras técnicas desta lista requer sensores, mas isso não se aplica à análise de óleo. Neste caso, as amostras de óleo são recolhidas e analisadas em laboratórios. No entanto, podem existir sensores integrados na linha de produção, capazes de monitorizar parâmetros como a viscosidade e a contagem de partículas.
Esta técnica é a mais eficaz na deteção de:
- Desgaste das engrenagens e dos rolamentos
- Contaminação
- Análise do lubrificante
- Danos internos em fase inicial
Ensaios de emissões acústicas
A acústica tem tudo a ver com frequência, e é precisamente isso que os ensaios de emissões acústicas detetam. Todas as máquinas geram alguma frequência, seja devido ao atrito, à rotação ou à deformação do material. Independentemente da causa, a frequência gerada pode ser monitorizada e comparada com dados de referência, utilizando sensores que detetam ondas elásticas transitórias.
Estes sensores são os mais eficazes na deteção da formação de fissuras ou do atrito superficial. Além disso, também detetam precocemente defeitos nos rolamentos e concentrações de tensão estrutural.
Análise por ultrassons
A análise ultrassónica centra-se nas ondas sonoras de alta frequência que não são audíveis para os seres humanos. Os sensores utilizados nesta técnica podem ser portáteis ou fixos. Estes captam ondas ultrassónicas, que são depois convertidas em formatos áudio ou visuais para análise.
A melhor aplicação da análise por ultrassons consiste na deteção de anomalias tanto em sistemas mecânicos como elétricos. Permite detetar fugas de ar comprimido, de gás e de vapor, bem como arcos elétricos.
Análise radiográfica
A radiografia utiliza raios X ou raios gama para detetar eventuais problemas no interior de uma máquina sem necessidade de a desmontar. Tal como na imagiologia médica, as imagens são criadas com base na forma como os raios atravessam o equipamento. Isto permite identificar anomalias através da comparação dos resultados com os dados de referência.
Mais eficaz na deteção de:
- Fissuras internas
- Vazios e inclusões
- Defeitos de soldadura
- Irregularidades estruturais
Esta técnica é amplamente utilizada em aplicações de alto risco em que a integridade interna é fundamental, tais como recipientes sob pressão e condutas.
Análise de Assinaturas Elétricas
Avarias no rotor, desequilíbrios de carga, perturbações na qualidade da energia e outras anomalias produzem formas de onda elétricas variáveis. A análise de assinaturas elétricas permite monitorizar todas elas para detetar anomalias. Este método permite monitorizar o equipamento sem a necessidade de instalar sensores mecânicos adicionais.
Para além das mencionadas nesta lista, existem outras técnicas de monitorização do estado que pode utilizar. Por exemplo, existe a monitorização de impulsos de choque para medir ondas de impacto, a análise de resíduos de desgaste com base nas partículas encontradas nos lubrificantes e a monitorização de descargas parciais para detetar pequenas descargas elétricas nos sistemas de isolamento.
Como funciona a monitorização do estado
A monitorização do estado dos ativos começa na interface física entre um sensor e o ativo que este está a monitorizar. No entanto, isso não é tudo. Após a instalação dos sensores e a recolha de dados, as equipas de MRO precisam de tirar partido desses dados, processar os sinais e introduzi-los num sistema EAM ou CMMS.
Este processo permite que as equipas de gestão monitorizem o estado de um ativo e utilizem essa informação para prolongar a sua vida útil, emitindo automaticamente ordens de trabalho para as máquinas que não estejam a funcionar de forma ideal.
Detecção e aquisição de dados
Cada informação obtida, cada ordem de trabalho emitida e cada falha detetada atempadamente tem a sua origem nesta camada. Como vimos na secção anterior, existem diferentes tipos de técnicas de monitorização do estado, e cada uma requer um tipo diferente de sensor.
Assim, a sua primeira tarefa importante consiste em selecionar e instalar os sensores adequados nos ativos que pretende monitorizar. Por exemplo, os sensores de vibração irão recolher dados relativos ao deslocamento, à velocidade e à aceleração.
O deslocamento é o parâmetro mais informativo no caso de máquinas de grande porte, como fábricas de papel ou escavadoras. Isto é especialmente verdadeiro em baixas frequências, como abaixo dos 10 Hz. A velocidade, por outro lado, é utilizada para frequências médias, que se situam entre os 10 Hz e os 1 kHz, enquanto a aceleração é utilizada para diagnósticos de alta frequência acima desse intervalo.
A tabela abaixo apresenta os diferentes tipos de sensores utilizados para recolher diversos dados de vibração:
Tipo de sensor | Gama de frequências | Sensibilidade | Ruído de fundo | Melhor aplicação |
|---|---|---|---|---|
Piezoelétrico (IEPE) | 0,5 Hz – 20 kHz | 10–1000 mV/g | Muito baixo | Rolamentos ou qualquer máquina rotativa |
Capacitivo MEMS (Sistemas Microeletromecânicos) | CC – 5 kHz | 100–1000 mV/g | Moderado | Máquinas de baixa velocidade |
Sonda de proximidade por correntes de Foucault | CC – 10 kHz | 7,87 V/mm | Baixo | Isto é benéfico para o deslocamento do eixo e para os mancais lisos |
Vibrómetro a laser | CC – 1 MHz+ | Pode variar bastante | Muito baixo | É possível monitorizar superfícies quentes ou inacessíveis |
Sensor de velocidade (geófono) | 1 Hz – 1 kHz | 20–80 V/(m/s) | Baixo | Monitorização estrutural de baixa frequência |
Da mesma forma, existem diferentes tipos de sensores para a recolha de diferentes dados. Se não tiver a certeza absoluta, pode seguir o quadro da norma ISO 17359:2018, que fornece orientações para a implementação de programas de monitorização do estado, incluindo a seleção de sensores. Basicamente, os passos consistem em listar os modos de falha de um ativo, identificar os parâmetros mensuráveis que se alteram à medida que cada modo de falha se desenvolve e, em seguida, selecionar a tecnologia de sensores capaz de medir esses parâmetros.
Conectividade e transporte de dados
O próximo desafio consiste em transferir os dados dos sensores para um sistema capaz de os analisar. Os sinais brutos dos sensores são simplesmente valores que, em indústrias com grande volume de ativos, podem variar centenas de vezes num segundo. Além disso, a transferência destes dados é também muito mais complexa num ambiente com tanto ruído elétrico e com uma infraestrutura de rede fisicamente mais distante do que, por exemplo, numa empresa de TI.
Ora, esta transmissão pode ser ativada através de uma infraestrutura com ou sem fios.
Transmissão analógica e por bus de campo com fios
A utilização de cabos para a transferência de dados é o método mais antigo e continua a ser um dos mais fiáveis. Recorre a um circuito de corrente analógica de 4-20 mA. Este circuito de 4-20 mA é o circuito de corrente analógica CC no qual o transmissor converte os sinais medidos. Aqui, 4 mA representa o valor mais baixo, ou 0%, da gama de medição, e 20 mA representa o valor mais alto, ou 100%. A transferência de dados sob a forma de corrente contínua, em vez de tensão, torna o sinal imune à queda de tensão em cabos longos.
Essas informações são, em seguida, transmitidas e processadas através de um sistema como o Highway Addressable Remote Transducer (HART). O HART adiciona aos sinais informações relevantes, tais como o estado do sensor, o identificador da etiqueta e outras variáveis secundárias.
Redes industriais sem fios
A instalação de sensores com fios numa grande fábrica é dispendiosa. Por isso, muitos optam por soluções sem fios, como o WirelessHART ou o ISA100.11a.
Como o próprio nome sugere, o WirelessHART é a extensão sem fios do protocolo HART. Funciona na banda ISM de 2,4 GHz, utilizando rádios IEEE 802.15.4. Recorre a uma rede em malha com acesso múltiplo por divisão de tempo. Nesta rede, cada dispositivo funciona também como um router, o que proporciona uma topologia de rede auto-organizada e com capacidade de auto-reparação.
A norma ISA100.11a é simplesmente uma alternativa ao WirelessHART e desempenha a mesma função.
Eis como os diferentes protocolos nas diversas redes com e sem fios podem ser selecionados com base em diferentes casos de utilização:
Protocolo | Camada física | Largura de banda | Taxa de atualização | Caso de utilização |
|---|---|---|---|---|
4-20 mA | É um fio de cobre de dois fios | Variável única (analógica) | Contínuo | Transmissores de processo simples |
HART | Funciona com um circuito de 4-20 mA | 1200 bps (sobreposição digital) | A pedido | Diagnóstico de dispositivos existentes de 4-20 mA |
PROFIBUS PA | Barramento de dois fios | 31,25 kbps | 100-1000 ms | Buses de campo para automação de processos |
EtherNet/IP | Representa a Ethernet industrial padrão | 100 Mbps – 1 Gbps | 1-100 ms | E/S de alta velocidade entre o controlador e o dispositivo |
WirelessHART | Rede em malha 2,4 GHz 802.15.4 | 250 kbps (partilhado) | 1-60 s | Transmissores de processo sem fios |
ISA100.11a | Rede em malha 2,4 GHz 802.15.4 | 250 kbps (partilhado) | 1-60 s | Transmissores de processo sem fios |
5G NR (privado) | Sub-6 GHz / mmWave | Até 1 Gbps | < 1 ms | Monitorização exaustiva ao nível da forma de onda |
Assim que estes dados estiverem na rede da fábrica, devem estar acessíveis a sistemas de nível superior, como o EAM ou o CMMS. No entanto, para que esses sistemas possam aceder aos dados, estes têm de estar num formato consistente. E é aí que prestadores de serviços como a Verdantis podem ser úteis.
A Arquitetura Unificada OPC (OPC-UA), publicada como norma IEC 62541, tornou-se a norma para esta consistência de dados. Suporta as opções de codificação OPC-UA Binary e OPC-UA XML. Os dados codificados são, em seguida, transferidos através de um protocolo da Internet das Coisas (IoT), como o Message Queuing Telemetry Transport (MQTT), que está normalizado como ISO/IEC 20922.
Transformação de sinais brutos em características de diagnóstico
Os dados de que a sua equipa dispõe neste momento representam simplesmente grandezas físicas em bruto. Não indicam diretamente a um engenheiro de manutenção o que se passa com a máquina. Para isso, têm de ser transformados em medições com significado diagnóstico. Por exemplo, devem ajudar a identificar em que parte da máquina a alteração tem origem e a que mecanismo de avaria corresponde.
Eis alguns dos métodos de análise mais utilizados para transformar sinais brutos em características de diagnóstico:
Análise no domínio do tempo
A forma mais simples de analisar sinais, especialmente no que diz respeito às vibrações, é trabalhar diretamente com a forma de onda temporal. Este método de análise elimina a necessidade de transformar os sinais em frequências para os observar num espectro. Em vez disso, baseia-se em medidas estatísticas básicas que podem ser calculadas a partir desse sinal e utilizadas para monitorizar o estado da máquina.
- RMS (Valor Médio Quadrático) consiste em medir a energia total da vibração. Valores mais elevados indicam que está a ser transmitida mais energia, o que pode ser sinal de desgaste ou danos. É mais eficaz na deteção de problemas em curso e menos eficaz na deteção de avarias numa fase inicial.
- Valor de pico e fator de crista ajuda a detetar picos de curta duração que o valor RMS não capta. O fator de crista é a relação entre o valor de pico e o valor RMS. Quando ocorrem picos acentuados, o valor de pico aumenta, enquanto o valor RMS permanece baixo. Isto eleva o fator de crista e pode indicar um potencial problema. Assim, é útil para detetar precocemente defeitos nos rolamentos.
- Curtose mede a gravidade dos picos. Tal como o fator de crista, é eficaz na deteção precoce de falhas. No entanto, tende a diminuir à medida que os danos se tornam mais generalizados.
Eis uma tabela que ilustra a utilização da análise no domínio do tempo:
| Métrico | Intervalo saudável | Limiar elevado | Sensibilidade a falhas |
|---|---|---|---|
| Métrico | Intervalo saudável | Limiar elevado | Sensibilidade a falhas |
| RMS | Específico da máquina | Limite da zona ISO | Gravidade geral da vibração |
| Fator de crista | 2.5 – 3.5 | > 6 | Defeitos precoces nos rolamentos |
| Curtose | ~3 | > 6 (aviso), > 10 (alarme) | Defeitos muito precoces nos rolamentos |
| Pico a pico | Específico da máquina | De acordo com a norma ISO/fabricante | Deslocamento do eixo, folga |
A Transformada Rápida de Fourier (FFT)
Como o próprio nome sugere, a Transformada Rápida de Fourier (FFT) converte. Converte um sinal baseado no tempo em dados baseados na frequência. Em vez de observar como a vibração varia ao longo do tempo, é possível ver quanta energia existe em cada frequência. A vantagem reside no facto de se poder identificar facilmente falhas nas máquinas, uma vez que muitos problemas ocorrem em frequências previsíveis.
A precisão da FFT depende da quantidade de dados recolhidos. Segue esta relação:
Resolução (Hz) = Número de amostras / Taxa de amostragem
Assim, um sinal mais longo proporciona melhores detalhes de frequência. A desvantagem, porém, é que isso requer mais tempo e pode introduzir variações indesejadas.
Alguns dos padrões de avaria mais comuns que é possível identificar na frequência através desta análise são:
- Harmónicas do eixo, que se manifestam como múltiplos da velocidade de rotação
- É possível identificar defeitos nos rolamentos, uma vez que estes geram frequências específicas em função do seu desenho e da velocidade. Entre estas frequências contam-se a da anel exterior (BPFO), a da anel interior (BPFI), a da rotação das esferas (BSF) e a da gaiola (FTF).
- As avarias nas engrenagens manifestam-se na frequência de engrenagem (GMF), que é calculada a partir da velocidade do eixo e do número de dentes das engrenagens. Neste contexto, um aumento da amplitude da GMF indica desgaste uniforme, enquanto as bandas laterais em torno da GMF representam danos localizados.
Análise de Envelopes
A análise de envelope é também conhecida como técnica de ressonância de alta frequência (HFRT). A principal aplicação desta análise é a deteção precoce de defeitos nos rolamentos. Um rolamento danificado produz pequenos impulsos de impacto sempre que um elemento rolante passa sobre a falha.
Uma vez que estes impulsos são muito curtos, não se manifestam na frequência do defeito. Em vez disso, revelam defeitos em ressonâncias de frequências mais elevadas (2-20 kHz).
No entanto, para obter uma análise de envelope correta, é importante selecionar a gama de frequências adequada. Isso pode ser feito utilizando a curtose espectral. A curtose espectral analisa as frequências para identificar onde o sinal é mais impulsivo.
Análise de Wavelets e de Tempo-Frequência
A FFT funciona bem em máquinas que operam a uma velocidade normal, uma vez que parte do princípio de que o sinal se mantém constante. Mas e se os equipamentos estiverem a operar a velocidades diferentes ou sofrerem falhas repentinas, paragens e arranques? Em todos estes cenários, a FFT revela-se insuficiente, sendo a Transformada de Fourier de Curta Duração (STFT) que vem em socorro.
A STFT divide os sinais em segmentos curtos e sobrepostos. O espectrograma resultante mostra como o conteúdo de frequência varia ao longo do tempo. No entanto, esta técnica apresenta uma limitação: ao melhorar o nível de detalhe temporal, reduz-se a precisão da frequência, e vice-versa.
As transformações wavelet utilizam funções flexíveis que ajustam o seu tamanho em função da frequência, para superar essa limitação. Quando os componentes de alta frequência são captados com janelas temporais curtas e os componentes de baixa frequência utilizam janelas mais longas, as wavelets conseguem detetar eventos breves, tais como impactos ou sinais precoces de falha.
Análise de encomendas para máquinas de velocidade variável
Muitos equipamentos, como o sistema de transmissão de um veículo ou uma turbina eólica, podem funcionar a velocidades variáveis. Assim, as vibrações resultantes ou outros sinais também podem variar. Isto torna os gráficos de frequência confusos e difíceis de interpretar, uma vez que os sinais ficam dispersos. No entanto, esta variação não indica necessariamente um problema no equipamento.
A análise de ordens resolve este problema através do acompanhamento dos sinais no domínio angular — por exemplo, por rotação — em vez de no domínio temporal. Os sinais são depois monitorizados com um tacómetro, que mede a velocidade instantânea do eixo.
Desta forma, as frequências são apresentadas como ordens, em vez de Hz. O resultado é que os problemas relacionados com a rotação da máquina permanecem na mesma posição no gráfico, mesmo que a velocidade mude. Isto facilita muito a leitura e a compreensão do espectro final para os engenheiros de manutenção.
Armazenamento e gestão de dados de condições em grande escala
Suponhamos que uma fábrica de média dimensão precise de monitorizar continuamente 200 ativos. Cada ativo está equipado com dois canais de vibração e dois canais de temperatura. Isto implicaria a amostragem de cerca de 25 000 sinais por segundo e geraria aproximadamente 160 GB de dados brutos por dia, apenas a partir da vibração.
Agora imagine uma grande refinaria com 2 000 ativos monitorizados, cada um equipado com vários sensores. A escala de dados gerados e geridos será enorme. É por isso que a infraestrutura de armazenamento de dados para a monitorização de condições não é uma questão secundária, mas sim um problema central de engenharia de sistemas. Determina diretamente que tipo de análise é possível, até que ponto no tempo a investigação da causa raiz pode recuar e quanto custa a operação do programa.
Devido ao enorme volume de dados, as bases de dados relacionais, como o PostgreSQL, o Oracle e o SQL Server, não são adequadas. Estas bases de dados foram concebidas para dados transacionais, que são registados com um esquema fixo e um volume moderado.
As bases de dados de séries temporais são concebidas especificamente para este tipo de padrão de acesso. Recorrem à compressão, à otimização da gravação e à otimização de consultas por intervalos de tempo para armazenar e gerir dados de condições em grande escala.
A contextualização dos dados é outro aspeto que contribui para a manutenção dos dados. Trata-se do processo de associar dados de séries temporais aos dados mestre do equipamento. Os dados mestre descrevem as características físicas do ativo, tais como o seu tipo, localização, parâmetros de conceção, componentes instalados e histórico de manutenção. É esta associação que permite que um modelo analítico calcule as frequências de defeitos.
Eis como se apresenta a cadeia de contextualização:
| Camada | Sistema | Objeto de dados | Exemplo |
|---|---|---|---|
| Medição no terreno | Sensor / DCS | Valor bruto da etiqueta | 4,8 mm/s às 14:32:07 |
| Historiador | PI / InfluxDB | Etiqueta com data e hora | PMP-223.BRG-DE.VEL.RMS = 4,8 |
| Estrutura de ativos | PI AF / CMMS | Associação de etiquetas a ativos | A etiqueta pertence à bomba 223, posição do rolamento DE |
| Registo de equipamento | SAP PM / EAM | Registo de equipamento | Bomba 223 = Bomba centrífuga, modelo XYZ-300, instalada em 2017 |
| Ficha de componente | SAP / CMMS Lista de Materiais | Registo de componente | Rolamento DE = SKF 6312, ângulo de contacto de 15°, 8 elementos rolantes |
| Histórico de manutenção | SAP PM / CMMS | Registos de ordens de trabalho | Última substituição do rolamento: 14 de março de 2022, WO 4500123456 |
Apesar de dispor de uma equipa dedicada à gestão de bases de dados, o armazenamento e a manutenção de dados a esta escala podem revelar-se um desafio. Os setores com um elevado volume de ativos podem recorrer a prestadores de serviços externos para limpar os dados mestre, normalizar e estruturar novos dados e centralizar tudo, de modo a garantir um fluxo contínuo desde a camada dos sensores até ao EAM.
Estabelecimento de valores de referência estatísticos através da análise
Assim que a infraestrutura necessária para transformar e migrar os dados dos sensores para o sistema de análise estiver implementada, a questão do armazenamento e da recuperação fica resolvida. No entanto, o problema mais complexo consiste em determinar os valores de referência ou os limiares. Os valores de referência determinam se um programa de monitorização de condições previne avarias ou se apenas gera uma enxurrada de alarmes.
É possível definir os valores de referência com base em normas de gravidade. Por exemplo, a norma ISO 10816, agora consolidada como ISO 20816, estabelece limites absolutos de gravidade para a velocidade de vibração global RMS. No entanto, estes limites apresentam restrições bem documentadas.
Aplicam-se apenas ao valor RMS da velocidade de banda larga, mas nada dizem sobre o conteúdo de frequência da vibração. Isto significa que não conseguem distinguir entre desequilíbrio, defeitos nos rolamentos e ressonância. E todos eles podem produzir o mesmo valor RMS global, mas exigirem medidas de manutenção diferentes.
Assim, muitas equipas de MRO recorrem a linhas de referência dinâmicas em vez do quadro de Controlo Estatístico de Processos (SPC). Em vez de limites fixos, o SPC cria linhas de referência a partir dos próprios dados históricos de uma máquina. Acompanha principalmente dois parâmetros-chave:
- Média (μ): Valor médio
- Desvio-padrão (σ): Variação normal
Com base nisto, as equipas de manutenção podem calcular valores de referência utilizando μ±3σ. Se as leituras se desviarem deste intervalo, isso indica uma avaria. Desta forma, o SPC reduz os falsos alarmes através destes métodos comuns:
- Gráfico de Shewhart: Ajuda a identificar grandes alterações repentinas
- CUSUM: Deteta um desgaste lento e gradual
- EWMA: Este método deteta pequenas variações contínuas
- Área de movimento: O intervalo móvel é utilizado para identificar aumentos na variabilidade
Para criar linhas de referência dinâmicas, os engenheiros têm de acompanhar índices de integridade multiparamétricos. Um único parâmetro não revela toda a história por trás da avaria. Por outro lado, uma visão holística através da análise multiparamétrica ajudará realizar uma análise eficaz das causas profundas para evitar que as mesmas falhas se repitam.
Integração entre EAM e CMMS para fechar o ciclo
A etapa final do fluxo de trabalho de monitorização do estado dos ativos consiste em fechar o ciclo que teve início com a recolha dos dados dos sensores. Se for necessário que um operador humano monitorize todos os alarmes e crie ordens de trabalho para cada um deles, o processo tornar-se-á muito exigente em termos de recursos. Além disso, isso criará falhas que reduzirão a eficiência da monitorização do estado dos ativos com base nas condições.
O modelo de monitorização do estado dos ativos tem de ser integrado no sistema de gestão de ativos empresariais (EAM). Por exemplo, o SAP PM (Plant Maintenance) é a plataforma EAM dominante em setores com grande concentração de ativos. Tendo o sistema de monitorização do estado dos ativos como fonte, O SAP PM pode ser automatizado para um ciclo contínuo de monitorização do estado dos ativos.
Sempre que for gerado um alerta de saúde, o sistema pode enviá-lo para o SAP PM através da API REST, por meio do SAP Integration Suite. Isto irá criar uma notificação no SAP PM que regista todos os detalhes sobre o ativo e o problema em questão. O sistema criará então automaticamente uma ordem de trabalho para que as equipas de manutenção possam tomar as medidas necessárias.
| Objeto SAP PM | Objetivo da integração | Declinado por | Campos-chave |
|---|---|---|---|
| Notificação do primeiro-ministro (M2) | Registar um alerta de condição | Evento de monitorização do estado | Localização funcional, descrição da avaria, prioridade |
| Ordem do primeiro-ministro | Planear e autorizar trabalhos de manutenção | Revisão do planeador / criação automática | Centro de trabalho, tarefas planeadas, componentes da lista de materiais, datas |
| Documento de medição | Guardar as leituras de estado no SAP | Sincronização periódica de dados sobre o estado | Ponto de medição, valor da leitura, data e hora |
| Item de manutenção | Associar a lista de tarefas ao equipamento para tarefas de manutenção periódica | Configuração inicial | Equipamento, lista de tarefas, contador |
| Registo de equipamento | Ficha técnica do equipamento com dados técnicos | Configuração inicial / sincronização contínua | Classe do equipamento, fabricante, componentes instalados |
As equipas de MRO também podem utilizar o IBM Maximo ou outros sistemas CMMS para este fim.
Desta forma, a monitorização do estado das máquinas também ajuda a definir um horizonte de planeamento para a manutenção das peças sobressalentes. Suponhamos que um modelo de degradação de um rolamento preveja uma avaria dentro de 3 a 6 semanas com um nível razoável de confiança. Neste caso, as equipas de aquisição e de manutenção podem colaborar para preparar as peças sobressalentes ainda antes de a ordem de trabalho ser criada.
A cadeia de integração desta funcionalidade liga a plataforma de monitorização de condições ao sistema de gestão de inventário MRO, como o MRO360 da Verdantis.
Este ciclo fechado é a concretização operacional da manutenção preditiva. Converte uma avaliação do estado técnico numa ação na cadeia de abastecimento, sem intervenção manual em cada etapa. No entanto, dados de referência de equipamento de má qualidade, tais como números de peça errados na lista de materiais (BOM) ou ligações não atualizadas entre os registos de equipamento e os registos de materiais, podem quebrar completamente esta cadeia.
Monitorização Automática do Estado
Há muitas funções que um sistema de monitorização do estado desempenha para detetar o estado dos ativos. No entanto, estas tarefas só são eficazes quando realizadas de forma coordenada e contínua. Isoladamente, nenhum destes processos seria de grande utilidade.
Por conseguinte, os sistemas modernos de monitorização baseados no estado recorrem à automatização baseada na inteligência artificial. Estes sistemas recolhem dados dos sensores, avaliam-nos, identificam falhas em desenvolvimento e desencadeiam ações de manutenção sem que seja necessário que um engenheiro analise manualmente todos os fluxos de dados diariamente.
Existem várias formas através das quais a inteligência artificial (IA) pode ajudar não só a recolher e armazenar dados, mas também a analisá-los para detetar anomalias nos padrões.
Detecção de anomalias sem supervisão
A deteção de anomalias não supervisionada é uma forma de o fazer. Neste caso, os dados utilizados para treinar o sistema de monitorização do estado não estão rotulados.
Os autoencoders são arquiteturas de redes neurais compostas por um codificador e um descodificador. Após serem treinadas com dados operacionais normais e anormais, estas redes conseguem detetar padrões nos sinais dos sensores em tempo real. Se os sinais ultrapassarem algum limiar, os autoencoders utilizam-nos para ativar um alarme automático.
Da mesma forma, existe o algoritmo «isolation forest», que recorre à deteção de anomalias baseada em árvores e a uma Máquina de Vetores de Suporte de Classe Única (OCSVM). Todos estes são modelos de IA não supervisionados que podem ser utilizados no âmbito da monitorização automatizada do estado das instalações.
| Modelo | Dados de treino necessários | Interpretabilidade | Escalabilidade | Ajuste da sensibilidade |
|---|---|---|---|---|
| Autoencoder | Apenas dados relativos a equipamentos de saúde | Baixo (no espaço latente) | Moderado | Limiar de erro de reconstrução |
| Autoencoder convencional | Apenas dados relativos a equipamentos de saúde | Baixo | Moderado | Limiar de erro de reconstrução |
| Floresta isolada | Os dados aqui apresentados podem provir de equipamentos de saúde ou de fontes diversas | Moderado | Elevado | Parâmetro de contaminação |
| OCSVM | Apenas dados relativos a equipamentos de saúde | Baixo-moderado | Baixa (O(n²)) | Parâmetro ν |
| Baseado na PCA | Apenas dados relativos a equipamentos de saúde | Elevado | Muito elevado | Limiar SPE / T² |
| Autoencoder LSTM | Apenas dados relativos a equipamentos de saúde | Baixo | Moderado | Erro na reconstrução da sequência |
Classificação supervisionada de falhas
A classificação supervisionada de avarias é realizada utilizando dados de treino rotulados. Este processo pode ser mais preciso se estiverem disponíveis dados rotulados específicos tanto para condições de funcionamento normais como para condições anormais. É também por isso que dispor de dados mestre de manutenção estruturados é essencial para que estes tipos de modelos de IA funcionem em sistemas automatizados de monitorização do estado.
Estão disponíveis três modelos principais de aprendizagem supervisionada que estão a ser utilizados em diversos setores:
- Floresta Aleatória: Uma Random Forest treina um conjunto de árvores de decisão com base em subconjuntos aleatórios dos dados de treino e do espaço de características. Em seguida, agrega as respetivas previsões através de um sistema de votação. Com base neste treino, a Random Forest pode gerar pontuações de importância. Estas pontuações constituem os indicadores mais preditivos para cada tipo de falha.
- Máquinas de Vetores de Suporte (SVMs): As SVMs apresentam um desempenho especialmente bom com conjuntos de dados rotulados de menor dimensão. Isto é particularmente verdade quando o número de características é elevado em relação ao número de amostras de treino, o que é comum na monitorização de condições.
- Redes Neurais Convolucionais (CNNs): Estas redes neurais são utilizadas para gerar imagens com base em sinais de sensores. Também podem comparar essas imagens com dados de referência para identificar anomalias. Um estudo publicado na ScienceDirect descreve uma estrutura de monitorização de condições que integra dados de vibração em tempo real com CNNs para permitir a deteção automatizada de falhas e a manutenção preditiva. O sistema treinado deteta e classifica com precisão as falhas no sistema físico. Isto demonstra uma elevada fiabilidade e capacidade de generalização.
Previsão da vida útil restante (RUL)
A IA consegue prever durante quanto tempo um ativo pode permanecer útil antes de sofrer uma avaria temporária ou uma avaria total. A previsão da RUL requer a modelação de uma trajetória de degradação desde o estado atual de integridade até à avaria. Esta trajetória pode ser muito incerta, uma vez que pode variar de máquina para máquina.
Com a sua análise de sobrevivência de Weibull, os modelos de riscos proporcionais e as redes de memória de curto e longo prazo (LSTM), a IA pode ajudar a traçar esta trajetória com precisão.
Monitorização do estado e IIoT
Para além da inteligência artificial, a Internet das Coisas Industrial (IIoT) é uma tecnologia essencial para a monitorização automatizada baseada no estado dos equipamentos. Na verdade, todos os sensores utilizados para recolher e partilhar dados dos equipamentos já fazem parte da IoT.
A utilização conjunta destas duas tecnologias permite uma transferência de dados contínua entre sistemas integrados. Com a IIoT, todos os ativos podem tornar-se inteligentes e interligados. Podem partilhar dados entre si através de plataformas baseadas na nuvem, de modo a proporcionar uma visão centralizada e abrangente às equipas de MRO.
Além disso, a IIoT também permite controlar as máquinas à distância. Assim, se uma ferramenta estiver prestes a avariar-se, as equipas de manutenção devem desligá-la à distância para evitar problemas de segurança e uma avaria total da máquina.
Como criar um programa de monitorização do estado das máquinas
Um programa de monitorização do estado dos ativos começa por avaliar quais os ativos a monitorizar. A certa altura, será desejável abranger o maior número possível de máquinas. No entanto, é melhor começar em pequena escala e expandir-se de forma eficiente, em vez de tentar implementar um projeto de grande envergadura e acabar por falhar.
Depois de perceber quais os equipamentos que deve monitorizar, eis como pode proceder:
Instalar os sensores
Assim que souber quais os ativos a monitorizar, deverá também determinar quais os parâmetros vitais a acompanhar. Com base nisso, deve, em primeiro lugar, selecionar sensores capazes de medir os parâmetros necessários. Para além da seleção, concentre-se na determinação da localização dos sensores, de modo a garantir uma captura precisa do sinal.
Recolher dados
A próxima tarefa a realizar é a recolha de dados. A sua primeira tarefa consiste em recolher dados relativos a máquinas que se encontram em condições ótimas de funcionamento. Isto ajudará a estabelecer valores de referência ou parâmetros de comparação para cruzamento de dados durante a monitorização baseada no estado.
Quando tiver os dados de referência, configure-os para recolher dados de forma contínua ou a intervalos regulares. É importante garantir a consistência nesta fase, uma vez que lacunas nos dados podem reduzir a precisão da análise.
| Processo | O que acontece | Por que é importante |
|---|---|---|
| Aquisição de dados | Os sensores instalados nas máquinas e integrados em sistemas de monitorização do estado enviarão sinais em bruto | Isto é importante para se ter uma visão contínua do estado do ativo |
| Sincronização horária | O sistema alinha os dados provenientes de vários sensores e equipamentos | Permite a análise de vários parâmetros para obter uma visão global |
| Validação de dados | Filtra o ruído e as leituras erradas | Ajuda a evitar falsos alarmes que podem fazer perder tempo e recursos |
| Armazenamento | Armazena dados em tempo real no backend para análise e utilização futura | Suporta o ciclo de retroalimentação, a análise de tendências históricas e a modelação |
Criar uma curva P-F
O intervalo de tempo entre o ponto de falha funcional (F) e o ponto em que uma falha potencial se torna detetável (P) é representado pela curva P-F. Uma vez que especifica com que antecedência um defeito pode ser detetado e quanto tempo está disponível para tomar medidas, trata-se de um conceito fundamental na monitorização baseada no estado.
Este conceito foi lançado na década de 1970 para a United Airlines e o Departamento de Defesa dos EUA. Para ser eficaz, a monitorização baseada no estado deve ocorrer durante o intervalo de tempo entre uma falha potencial e uma falha prevista.
Monitorizar ativos
Assim que o sistema estiver implementado, comece a executar a monitorização baseada no estado. Com base nos dados recolhidos, os valores de referência poderão servir de gatilhos. E, com base nesses gatilhos, o sistema poderá notificar as equipas relevantes e criar ordens de trabalho.
Impacto da monitorização do estado dos equipamentos nas empresas
A monitorização do estado do equipamento tem um impacto direto nos resultados financeiros de uma empresa.
- Redução do tempo de inatividade: O tempo de inatividade está entre as consequências mais dispendiosas de uma avaria no equipamento. A monitorização do estado do equipamento minimiza essa probabilidade, detetando precocemente potenciais problemas nas máquinas.
- Melhores resultados no planeamento da manutenção: Em vez de suposições, as ordens de trabalho são acionadas por dados de referência que revelam anomalias nas condições de trabalho ideais.
- Aumento da vida útil dos ativos: À medida que as equipas de MRO se concentram no estado dos ativos, em vez de em calendários fixos, a vida útil da máquina aumenta.
- Maior segurança: A Artigo do Deccan Herald relata que cinco pessoas sofreram queimaduras devido ao vapor na fábrica siderúrgica da SAIL em Bokaro. Existem muitos incidentes deste tipo em que uma falha numa máquina ou num sistema resulta em ferimentos, e a monitorização do estado das instalações pode evitá-los.
- Custos reduzidos ao mínimo: As perdas de produção, as reparações de emergência, o envio urgente de peças sobressalentes, as indemnizações por acidentes de trabalho, etc., são todos custos diferentes que podem ser minimizados.
Embora a monitorização do estado das máquinas possa oferecer todos estes benefícios, os resultados dependem da forma como as empresas recolhem e armazenam os dados das máquinas. Se não dispuser de conhecimentos especializados a nível interno, pode recorrer a prestadores de serviços externos de gestão de dados.
A grande empresa de produção de madeira A empresa, que opera em 25 fábricas, conseguiu isso através de uma colaboração com a Verdantis. Com uma receita de $7 mil milhões e um quadro de pessoal global superior a 13 000 colaboradores, a empresa procurou apoio na limpeza e na governação de dados.
A Verdantis ajudou a normalizar e a gerir mais de 300 000 SKUs. Além disso, implementou o Verdantis Harmony para a gestão automatizada de dados no futuro.
Uma visão geral da monitorização baseada no estado na prática
Com a ajuda dos sensores e dos critérios de referência, os sistemas automatizados podem acionar alertas. Mas o que parece ser um simples alerta num painel de controlo é, na verdade, o resultado de várias camadas de engenharia de dados, processamento de sinais e lógica de decisão que funcionam em conjunto em segundo plano.
Em termos simples, os sistemas de monitorização baseados no estado funcionam como um circuito fechado. Os dados são recolhidos, processados, analisados e, posteriormente, incorporados nos fluxos de trabalho de manutenção. Assim, o desempenho depende da qualidade da configuração e integração destas camadas.
Considere uma linha de embalagem de alta velocidade numa fábrica com vários motores, transportadores e caixas de velocidades. Neste caso, um dos ativos mais críticos é o sistema de acionamento do transportador. Trata-se de um motor elétrico ligado a uma caixa de velocidades e a um conjunto de correias que aciona este sistema. Mesmo uma simples avaria neste sistema pode paralisar toda a linha.
Numa configuração tradicional, a equipa de manutenção tem horários fixos para inspecionar toda a correia e a caixa de velocidades. No entanto, entre essas inspeções, o sistema funciona sem qualquer controlo. Assim, se um rolamento no interior da caixa de velocidades começar a deteriorar-se logo após uma inspeção, tal passará despercebido até à próxima inspeção ou até que ocorra uma avaria.
Pelo contrário, suponha que existam sensores de vibração instalados no motor e na caixa de velocidades. Da mesma forma, existem sensores de temperatura nos rolamentos, sensores de qualidade do óleo no sistema de lubrificação da caixa de velocidades e sensores elétricos que monitorizam a carga do motor. Neste caso, os dados serão transmitidos continuamente para os sistemas de monitorização. A equipa de manutenção poderá ver o nível de gravidade, o tipo de avaria provável e a ação recomendada.
| Palco | O que acontece | Exemplo do sistema de transporte |
|---|---|---|
| Recolha de dados | Os sensores irão recolher sinais em tempo real | A amplitude da vibração aumenta ligeiramente na caixa de velocidades |
| Processamento de sinais | Neste caso, o sistema irá filtrar o ruído e estabilizar os sinais | O ruído de fundo do sinal de vibração será removido para facilitar a compreensão |
| Extração de características | Os indicadores-chave são calculados | A vibração RMS poderia ser aumentada |
| Comparação com os valores de referência | Comparação entre os dados em tempo real recolhidos pelos sensores e o perfil normal | Detetou-se um desvio em relação ao padrão normal de vibração da caixa de velocidades |
| Correlação | Vários parâmetros são avaliados em conjunto | Um exemplo pode ser um ligeiro aumento da temperatura, acompanhado de um aumento da vibração |
| Detecção de anomalias | O sistema assinala qualquer comportamento anómalo detetado nesta fase | A análise poderá indicar um desgaste precoce dos rolamentos |
| Geração de alertas | A maioria das ferramentas modernas dispõe de uma funcionalidade de alerta automático que envia uma notificação à equipa de manutenção | Será acionado um alerta no painel de controlo |
| Criação de ordens de trabalho | A equipa de manutenção irá emitir uma ordem de trabalho para a reparação ou inspeção | Inspeção agendada com base na gravidade e na urgência |
A quem se destina a monitorização do estado?
A monitorização do estado dos equipamentos proporciona os melhores resultados em setores com um elevado número de ativos, tais como:
Indústria pesada
As instalações de indústria pesada dependem de máquinas de grandes dimensões e interligadas, tais como moinhos, transportadores e equipamentos rotativos. Mesmo as pequenas unidades fabris passaram a utilizar algumas máquinas para automatizar completamente ou auxiliar o trabalho manual. Assim, os ativos são essenciais na indústria transformadora para a continuidade da produção.
A monitorização do estado permite acompanhar a vibração, o óleo, a temperatura e outros parâmetros em todos estes sistemas. Isto contribui para a deteção precoce de problemas que, mais tarde, poderiam resultar em avarias e na paragem da produção.
Alimentação e Bebidas
Ao contrário de outros setores, no setor alimentar e de bebidas a fiabilidade dos equipamentos está também ligada à qualidade do produto e ao cumprimento das normas. As batedeiras, as bombas, as unidades de refrigeração e os sistemas de embalagem têm de cumprir normas de higiene rigorosas, ao mesmo tempo que funcionam de forma ótima. Uma forma de garantir isso é verificar se os equipamentos funcionam dentro dos parâmetros definidos, e a monitorização do estado dos equipamentos pode ajudar nesse sentido.
Petróleo e gás
O equipamento utilizado na indústria do petróleo e do gás apresenta o maior risco de avaria devido às condições de funcionamento. Compressores, turbinas, condutas e máquinas de perfuração operam em locais remotos e em condições perigosas. Não é sequer possível às equipas de manutenção inspecionar regularmente estes equipamentos enquanto estão em funcionamento.
A monitorização do estado dos ativos proporciona uma visibilidade contínua do seu estado de funcionamento, sem necessidade de inspeções físicas constantes. Uma vez que muitos ativos operam em condições extremas, a deteção precoce é fundamental neste setor.
Produção de energia
Os principais ativos do setor da produção de energia incluem turbinas, geradores, transformadores e sistemas de refrigeração. A análise de vibrações permite detetar avarias nas turbinas e nos geradores, enquanto a monitorização térmica identifica o sobreaquecimento dos componentes elétricos. A monitorização contínua garante que mesmo os desvios mais insignificantes sejam detetados atempadamente.
Retorno sobre o investimento (ROI) da implementação da monitorização do estado das instalações
Calcular o ROI da implementação da monitorização de condições não se resume a uma simples comparação entre custos e poupanças. Deve centrar-se mais no valor que o processo gera. A maioria das empresas não consegue calcular o verdadeiro ROI por se concentrar demasiado nas poupanças com a manutenção. Além disso, deve também ter em conta a redução do tempo de inatividade, a melhoria do estado dos ativos, o aumento da capacidade de produção e outros aspetos.
Deve começar por um modelo de referência que inclua o custo do tempo de inatividade, a frequência de avarias, a mão-de-obra de manutenção e os problemas de qualidade. Em seguida, pode converter as métricas técnicas em resultados financeiros.
Eis como se apresenta a cadeia de contextualização:
| Métrica técnica | Tradução financeira |
|---|---|
| Redução das avarias | Isto irá aumentar o tempo de funcionamento e a capacidade de produção |
| Detecção precoce de avarias | A deteção precoce evita falhas catastróficas e os custos de reparação ou substituição daí decorrentes |
| Melhor planeamento da manutenção | Reduz os custos com horas extraordinárias e com a manutenção de emergência |
| Melhoria do estado dos ativos | Isto permite poupar dinheiro, aumentando a vida útil dos ativos |
Outro aspeto importante a ter em conta é que o ROI aumenta com a escala e a maturidade. Com o tempo, a monitorização do estado pode oferecer um ROI de 5:1 ou 10:1, chegando a 25:1 ao longo de três a cinco anos. Embora se trate de um intervalo aproximado, o ROI real poderá variar consoante a eficiência com que implementar e tirar partido da monitorização do estado.
O Problema da Base de Dados e a Sua Solução
A simples instalação de sensores nos ativos e a recolha de dados em tempo real não garantem os melhores resultados no monitorização do estado dos mesmos. Embora a maior parte do planeamento seja feita com base em dados em tempo real, é também necessário estruturar e normalizar esses dados para o seu armazenamento e utilização futura.
Por exemplo, suponhamos que uma solução de monitorização baseada no estado detete uma anomalia de vibração. No entanto, o sistema não consegue determinar qual o rolamento que desencadeou o alerta, uma vez que a lista de materiais (BOM) do equipamento indica o número de peça errado. Isto só irá aumentar as redundâncias, em vez de ajudar a prevenir a avaria do equipamento.
A tecnologia dos sensores, os algoritmos de processamento de sinais, os modelos de aprendizagem automática e os fluxos de trabalho OPC-UA são todos necessários, mas assentam numa base de dados precisa.
Um dos problemas mais generalizados é a incompletude dos dados mestre do equipamento. Na prática, os registos mestre de equipamento no SAP PM e em sistemas EAM equivalentes podem conter campos de atributos incompletos. Da mesma forma, a duplicação de peças sobressalentes de MRO, as imprecisões nas listas de materiais (BOM) e as inconsistências de dados entre instalações podem afetar a qualidade dos dados e influenciar os resultados da monitorização baseada no estado.
A Verdantis pode ajudar a resolver estes desafios com as suas soluções, baseadas em anos de experiência e excelência. O Verdantis Harmonize, por exemplo, pode resolver o problema da limpeza de dados históricos.
A plataforma baseada na nuvem importa registos de dados mestre de sistemas antigos, como o SAP, a Oracle, o IBM Maximo e outros sistemas ERP/EAM. Em seguida, aplica uma combinação de processamento baseado em IA e revisão por especialistas humanos para normalizar, enriquecer, deduplicar e classificar esses registos de acordo com uma taxonomia predefinida.
Enquanto o Verdantis Harmonize resolve o problema dos dados históricos, o Verdantis Integrity resolve a questão da governação contínua. O Integrity funciona como uma camada de governação adicional, integrada nos seus sistemas ERP e EAM. Quando um novo registo de material está prestes a ser criado no SAP, o Integrity intercepta o pedido de criação e aplica um fluxo de trabalho de validação antes de o registo ser gravado no ERP.
Tudo isto se integra na nossa plataforma MRO360. O seu conjunto de ferramentas MDM inclui tanto o Harmonize como o Integrity, garantindo dados limpos e precisos. Isto permite que as equipas de MRO tirem partido de uma base de dados limpa para a monitorização baseada no estado, o que conduz a decisões operacionais informadas.
Conclusão
A monitorização do estado é uma das disciplinas mais exigentes do ponto de vista técnico nas operações industriais. Embora tenha muito a oferecer, requer também competências que abrangem a ciência da medição física, o processamento de sinais de alta frequência, a modelação estatística, a aprendizagem automática, as redes industriais, a infraestrutura de dados e a integração de sistemas empresariais.
São muito poucas as organizações que dispõem de todas estas capacidades reunidas num único local. E são ainda menos aquelas que as têm reunidas com base numa infraestrutura de dados suficientemente limpa para permitir um desempenho ideal.
Esse é o problema de infraestrutura que a Verdantis tem vindo a resolver há duas décadas para organizações com um elevado número de ativos. Os programas de monitorização do estado dos ativos, baseados em dados mestres limpos, controlados e enriquecidos, apresentam consistentemente um desempenho superior ao dos que não o fazem.
Entre em contacto com os nossos especialistas para saber como a Verdantis pode ajudá-lo a criar uma base de dados de referência para a implementação de soluções de monitorização de condições.
Perguntas Frequentes (FAQ)
Quais são os 5 elementos da monitorização do estado?
Os cinco elementos-chave da monitorização do estado são a recolha de dados, a análise de dados, a geração de alertas, o planeamento da manutenção e a melhoria contínua. Em conjunto, estes elementos permitem uma abordagem proativa para monitorizar continuamente o estado de uma máquina, com vista a garantir um funcionamento ideal.
Qual é a diferença entre PdM e CBM?
Tanto a manutenção preditiva (PdM) como a monitorização baseada no estado (CDM) são abordagens de manutenção proativas. No entanto, diferem em termos de calendário e tecnologia. A PdM recolhe dados de sensores e prevê falhas através da sua análise. Por outro lado, o CDM centra-se na comparação de dados em tempo real com um limiar definido, para detetar quando uma máquina ou equipamento fica abaixo do estado ideal.
Quais são os 5 tipos de monitorização?
Nas áreas de manutenção, reparação e operações, os tipos mais comuns de técnicas de monitorização incluem a monitorização de vibrações, temperatura, pressão, óleo e ultrassons. No entanto, existem muitos outros aspetos de um ativo que as equipas de MRO podem monitorizar.
