Proposta de manutenção preditiva através da análise de dados de máquinas e equipamentos

Abstract

Resumo: Manutenção preditiva é um termo muito discutido atualmente na indústria principalmente por parte da equipe de manutenção, pelos responsáveis por planejar a manutenção de máquinas e equipamentos, como sendo uma proposta de valor para implementar no conceito de manutenção nas empresas, pois ainda os custos de manutenção corretiva e preventiva são elevados. Há uma lacuna no processo de manutenção considerando o conceito de preditiva, ou seja, predição do que pode ocorrer em um equipamento, a grande parte dos fabricantes de máquinas consideram somente o controle de um processo e não monitoram em grande parte os status dos equipamentos, como vibração, desgaste, torque excessivo etc. existem oportunidades de desenvolvimento e implementação de soluções preditivas em máquinas e equipamentos. Como proposta de criar valor ao ciclo de manutenção podemos implementar sensores que possam medir de forma preventiva as falhas, como vibração, elevação de temperatura, aumento de corrente elétrica, torque os quais são capazes de prever problemas mecânicos de desgaste, aumento de resistência mecânica proveniente de falta de lubrificação, isto influencia na corrente elétrica do motor por exemplo, em consequência teremos maior dissipação de calor etc. Como metodologia e análise precisamos coletar dados do equipamento, criando alertas quando houver falha mecânica, ou elétrica, utilizando recursos como inteligência artificial, análise das informações através de algoritmos de aprendizado de máquina etc. Para avaliar os conceitos e propostas definidas em parceria com as empresas Tigre (Fabricante de produtos plásticos) e Kunume (Startup) escolhemos o equipamento importante para o processo de preparação de matéria prima a Granuladora, onde definidos os principais dados de processo que podem influenciar na qualidade do processo ou gerar falhas no equipamento que causam total parada de produção. A análise de manutenção preditiva baseada em dados de processo e informações de falhas decorrentes do mesmo deve ser uma base de estudo para cada modelo de equipamento e que requer aprendizado constante, como ocorre no aprendizado de máquina (Ml)