Predictive Maintenance & Schedule (PdMS): um novo processo de fabricação que integra manutenção preditiva e programação de produção

CONTEXTO: A Indústria 4.0 (I4.0) fornece conectividade, volume de dados, novos dispositivos, miniaturização, redução de estoque, personalização e produção controlada. Nesta nova era, a customização da produção e a disponibilidade de dados são essenciais para gerar informações que permitam a tomada de decisões. A possibilidade de prever a necessidade de manutenção no futuro e utilizar essa informação para outros processos é um dos desafios do processo de fabricação. Neste contexto, a proposta desta tese transcende o fato específico da aplicação da manutenção preditiva (PdM) e sugere formas de integração de processos, focando nos agendamentos de manutenção e produção. OBJETIVO: O objetivo é criar o Predictive Maintenance & Schedule (PdMS) para integrar os cronogramas de manutenção e produção de forma preditiva. A cada leitura dos dados de sensores e informações operacionais, é estimada a vida útil remanescente (RUL) das máquinas, decidindo se a máquina fará parte do processo de produção ou não. Reforçando que, este novo cenário da indústria, permite que a aplicação da computação, juntamente com a inteligência artificial e computação distribuída, se torne mais efetiva nos processos de fabricação. Com a criação do PdMS, a ideia é reduzir o tempo de inatividade, melhorar a comunicação entre os setores de manutenção e produção e permitir uma integração futura com os setores de armazenamento e logística. METODOLOGIA: O processo de criação do PdMS foi divido em duas fases: (i) relacionada à PdM, que descreve o processo utilizado para melhorar o prognóstico do RUL, com ciência de dados, criação e combinação de índices de degradação, utilizando padrões de similaridade e aplicação de filtros de suavização Savitzky-Golay e Kalman; (ii) relacionada ao problema de escalonamento e à integração com os resultados gerados pela PdM, que descreve a geração da agenda, verificação da manutenção e a geração de gráficos para controle e acompanhamento do cronograma da produção. Para avaliar o PdMS, foi utilizado um conjunto de dados de manutenção preditiva de amostra fornecido pela Microsoft. Foram buscado dados com características que pudessem contribuir com a ideia de definição de uma abordagem que estimule a adoção da manutenção preditiva em fábricas que já possuem telemetria em seus ativos, mas ainda realizam manutenção corretiva ou preventiva. RESULTADOS: Para avaliação dos resultados, foram comparados vários modelos baseados em Redes Neurais Profundas (DNN) e Redes Neurais Recorrentes (RNN). Foram utilizadas Regression Random Forest (RRF) para auxiliar com a seleção de características e foi realizada a comparação do desempenho da predição com Convolutional Neural Network (CNN), Long short term memory (LSTM), Gated Recurrent Unit (GRU), redes recorrentes e rede Deep Feed Forward (DFF). Os resultados foram avaliados de forma visual e por critérios baseados nos erros: Root Mean Square Error (RMSE), Mean Absolute Error (MAE), Mean Squared Error (MSE), coeficiente de determinação R2 e Mean Absolute Percentage Error (MAPE). Os melhores resultados apresentaram RMSE = 8:789;MSE = 77:253;MAE = 2:262;R2 = 0:848;MAPE = 92:22. CONCLUSÃO: Como contribuição, este trabalho traz uma revisão sistemática com a proposta de uma taxonomia, identificação de desafios e questões abertas referente a I4.0 com foco na PdM. A partir dos desafios apresentados foi criado o modelo PdMS que apresentou as decisões, estratégias e arquitetura que resultaram na predição de falhas em dados ruidosos com antecipação de cinco dias no conjunto de dados utilizado para o experimento, possibilitando assim, a simulação da integração pretendida.