Healthmon: um novo sistema para prover manutenção preventiva de máquinas através da identificação de evoluções de falhas em conjunto de séries temporais

No contexto da Indústria 4.0, monitorar a degradação de máquinas para antecipar possíveis falhas representa um desafio significativo. Essa tarefa é especialmente importante quando os custos impostos pela manutenção e pela parada nos processos produtivos são altos. Atualmente, muitas técnicas de manutenção preventiva empregam algoritmos de aprendizado de máquina supervisionados ou não supervisionados. No entanto, a definição de quais variáveis devem ser processadas por esses algoritmos não é uma tarefa simples, sendo crucial para o sucesso da técnica proposta. Dada essa perspectiva, consideramos se algoritmos não supervisionados combinados com a decomposição de séries temporais podem contribuir para melhorar a saúde das máquinas de monitoramento. Neste trabalho, propomos o HealthMon, que se trata de uma nova abordagem, cuja função é calcular um índice de integridade de máquinas com base em medições de sensores. O HealthMon extrai séries temporais desses sensores, que são decompostos de uma maneira nova e sem supervisão, além de serem usados a fim de calcular o índice de integridade dessa máquina. Esse índice de integridade está relacionado à degradação da máquina considerada, sendo útil, portanto, para otimizar o cronograma de manutenção da máquina. O presente trabalho avança o estado da arte nos seguintes quesitos: (i) propõe um índice global de saúde, que oferece uma visão mais direta e intuitiva da degradação da máquina; (ii) elabora uma abordagem capaz de estimar o índice de integridade de uma máquina, enquanto apenas o conhecimento básico sobre o funcionamento (interno) da máquina é necessário; (iii) oferece uma extensa gama de aplicabilidade, já que é escalável a ponto de poder ser utilizado em qualquer tipo de máquina vibratória ou rotativa. O nosso método foi avaliado mediante extensas simulações em um motor de indução. Os resultados mostraram que a degradação pode ser efetivamente detectada sob várias cargas de trabalho de entrada. Ademais, cabe salientar que o HealthMon foi avaliado por meio do uso de dados reais. Nesse caso, é interessante frisar que, em ambas as avaliações, verificamos que os resultados obtidos foram promissores de modo a confirmar nossa hipótese.