Análise preditiva da eficiência global do equipamento : uma abordagem multivariada

Abstract

Resumo: As organizações visando o foco na manutenção de sua competitividade, buscam continuamente a gestão e melhoria de seus processos. Uma das metodologias muito utilizadas visando a redução de perdas e desperdícios é denominada de Manutenção Produtiva Total (TPM), a qual contempla técnicas para auxiliar na melhoria do desempenho de um processo, sendo uma delas conhecida como Eficiência Global do Equipamento (OEE), a qual permite demonstrar como a produção está se comportando, revelando desvios, desperdícios e perdas do processo, gerando informações para análise de dados. Com a aplicação dos conceitos da Indústria 4.0, mais especificamente em relação a utilização de equipamentos de coleta, transmissão e armazenamento de dados cada vez mais eficientes, observa-se uma quantidade expressiva de informações geradas a partir dos processos de fabricação. Tal realidade permite acesso a uma quantidade considerável de dados para a análise do OEE, a qual traz históricos sobre o comportamento dos equipamentos, processos, produtos, paradas de máquina, defeitos, entre outros. No presente trabalho, estas informações passaram por métodos analíticos multivariados, os quais objetivaram o retorno de previsões acerca da eficiência dos equipamentos. Neste processo, buscando a geração de um modelo preditivo para a análise do OEE, foram aplicadas técnicas estatísticas e multivariadas, como a análise da matriz de correlação, componentes principais e regressão linear múltipla. Porém, os resultados de maior relevância foram originados pela aplicação da técnica de Redes Neurais Artificiais (RNA), as quais retornaram previsões com boa exatidão sobre o OEE em relação as variáveis do processo, além de fornecer informações para a construção de elementos gráficos, os quais proporcionaram a observação do comportamento da eficiência do equipamento analisado em relação as variáveis preditoras. Estas analises, em alguns casos, trouxeram confirmações a respeito de convicções empíricas do processo, demonstrando como certas perdas do equipamento relacionadas a disponibilidade, performance e qualidade, impactam de forma positiva ou negativa nos índices de OEE. Tais resultados preditivos podem fornecer conjunturas de apoio para tomada de decisões precisas e oportunas, e com possíveis alternativas para roteiros mais eficientes e de menores custos. Neste âmbito, a análise de dados por meio de Redes Neurais Artificiais demonstrou que pode viabilizar resultados consideráveis para um ambiente de grande quantidade de dados e com uma expressiva variabilidade de informações. A análise de dados é cada vez mais reconhecida como um valioso conjunto de técnicas para aperfeiçoar o desempenho das empresas, desta forma, o intuito deste trabalho é demonstrar uma alternativa para a análise preditiva de OEE, por meio de abordagens multivariadas aplicadas em ambientes providos de grandes quantidades de dados. Palavras-chave: OEE. Análise preditiva. Análise multivariada. Redes neurais artificiais. Indústria 4.0. Big Data.

Abstract: The organizations aiming at the maintenance of their competitiveness, continuously seek the management and improvement of their processes. One of the widely used methodologies used to reduce losses and wastes is called Total Productive Maintenance (TPM), which includes techniques to help improve the performance of a process, one of which is known as Global Equipment Effectiveness (OEE). which allows to demonstrate how the production is behaving, revealing deviations, wastes and losses of the process, generating information for data analysis. With the application of the concepts of Industry 4.0, more specifically in relation to the use of equipment of collection, transmission and storage of data increasingly efficient, an expressive amount of information generated from the manufacturing processes is observed. This reality allows access to a considerable amount of data for the OEE analysis, which brings history about the behavior of equipment, processes, products, machine stops, defects, among others. In the present work, this information went through multivariate analytical methods, which aimed to return predictions about the efficiency of the equipment. In this process, statistical and multivariate techniques, such as correlation matrix analysis, main components and multiple linear regression, were used to generate a predictive model for OEE analysis. However, the results of greater relevance were originated by the application of the technique of Artificial Neural Networks (RNA), which returned predictions with good accuracy on the OEE in relation to the process variables, besides providing information for the construction of graphic elements, the which provided the observation of the behavior of the efficiency of the analyzed equipment in relation to the predictive variables. These analyzes have in some cases brought confirmation of the empirical convictions of the process, demonstrating how certain equipment losses related to availability, performance and quality have a positive or negative impact on the OEE indexes. Such predictive results can provide support scenarios for accurate and timely decision making, and possible alternatives to more cost-effective and cost-effective roadmaps. In this context, data analysis through Artificial Neural Networks has demonstrated that it can provide considerable results for an environment with a large amount of data and with an expressive variability of information. Data analysis is increasingly recognized as a valuable set of techniques to improve the performance of companies, thus, the purpose of this work is to demonstrate an alternative to the predictive analysis of OEE, through multivariate approaches applied in environments provided by large amounts of data. Keywords: OEE. Predictive analysis. Multivariate analysis. Artificial neural networks. Industry 4.0. Big Data.