escuro

IA ajuda a prever falhas em equipamentos

Usar a inteligência artificial para saber quando e os motivos que levavam determinados equipamentos a falhar, provocando paradas e perdas. Esta foi a base do projeto de indústria 4.0, implementado pela Stone Age, desenvolvedora de soluções de big data para negócios, para uma empresa do setor petroquímico.

O projeto permitiu reunir oito anos de informações geradas por 2.065 sensores instalados em quatro equipamentos da indústria petroquímica. A solução adotada trabalhou com um volume de dados de 400 GB, que tinham ainda volume e natureza diversa por conta do reposicionamento de instrumentos e substituição de sensores por modelos novos.

“O problema é que as falhas não estavam claramente definidas no histórico de dados e não havia fórmulas prontas para encontrá-las. Então, tivemos de construir modelos de previsão de falhas que pudessem avisar quando um determinado equipamento realmente precisa de manutenção, aumentando seu tempo de atividade e diminuindo a quantidade de paradas”, explicou Fernando Guimarães, sócio-diretor da Stone Age.

A saída foi utilizar machine learning, uma aplicação de inteligência artificial, que serviu para prever quando e quais problemas estão prestes a acontecer. Segundo ele, isso permite que o cliente planeje a manutenção de forma mais assertiva, gerando o menor impacto possível.

Depois de desenvolver 5 modelos de previsão de falhas, a Stone Age integrou esses resultados no painel que a planta industrial já utiliza: além de dados como temperatura e trepidação, é possível ver um novo grupo de sinais que indica quando a máquina precisa de manutenção.

No projeto, a Stone Age precisou ainda criar uma modelo de comportamento porque uma das falhas não possuía um volume de ocorrência grande o suficiente para a criação de um modelo preditivo. A empresa desenvolveu também um algoritmo de detecção de um tipo de falha que antes não podia sequer ser percebido.

“O grande ganho desse cliente é que agora ele pode olhar os mesmos dados que já tinha de forma contínua, analisando ao longo do tempo – olhando para trás e fazendo projeções para frente”, contou Guimarães. “Antes, eles só conseguiam ver as informações de forma separada, ponto a ponto, instante a instante”, acrescentou.

Total
0
Shares
Deixe uma resposta

O seu endereço de e-mail não será publicado. Campos obrigatórios são marcados com *

Posts Relacionados
Total
0
Share