A manutenção pre ditiva combina dados sobre hardware, software e componentes de serviço para determinar os requisitos de manutenção de ativos mecânicos. O monitoramento de falhas emergentes, a previsão de excedentes de capacidade, a identificação de avarias e a determinação da vida útil restante dos ativos são aspectos da manutenção preditiva. AIOps, o uso de Inteligência Artificial para Operações de TI, às vezes é usado para manutenção preditiva.
Antecipar-se e preparar-se para a falha há muito tempo é um fato na vida das operações mecânicas. Até recentemente, a substituição rotineira de uma peça após um período de tempo específico era a forma mais comum de evitar a falha de uma peça em serviço. Essa forma de manutenção preventiva programada é útil. Mas nem todas as peças falham na mesma proporção, e a substituição prematura é um desperdício baseado em médias e aproximações. Além disso, um sistema que se baseia apenas na manutenção programada não detectará a falha real ou iminente de uma peça que esteja prematuramente defeituosa. Outra estratégia para reduzir o tempo de inatividade era substituir todas as peças quando uma delas falhasse, e não estava claro qual delas, mas essa estratégia tem uma clara desvantagem de alto custo.
Há também outros benefícios. Dependendo do setor, os acordos contratuais de nível de serviço (SLAs) podem exigir que as organizações mantenham a entrega de serviços ou materiais em uma base estrita de 24 horas por dia, 7 dias por semana, ou enfrentarão penalidades e até multas. Em outros casos, a falha do equipamento pode causar perda de receita devido a interrupções nas cadeias de suprimentos, perda de estoque, rotatividade de clientes e outras consequências óbvias devido à desaceleração operacional. A manutenção preditiva pode ajudar a mitigar todas essas possíveis consequências do tempo de inatividade do sistema.
O uso de análise estatística, monitoramento de sensores, análise avançada e IA para prever com mais precisão quando uma falha ocorrerá oferece uma grande melhoria. Com sensores monitorando continuamente a integridade de cada peça, um sistema de monitoramento pode alertá-lo com antecedência sobre uma falha. Esse é o principal benefício de implementar um programa de manutenção preditiva: você substitui apenas peças quase defeituosas, economizando mão de obra e despesas com a substituição desnecessária de peças e mantendo um alto tempo de atividade. Além disso, um bom sistema de manutenção preditiva lhe dá tempo para programar a manutenção no momento menos perturbador para a empresa.
As técnicas de Big Data que envolvem aprendizado de máquina e o processamento de conjuntos de dados muito grandes evoluíram para minimizar o tempo de inatividade e o MTTR (tempo médio de recuperação). E, embora esses benefícios sejam claros, há uma série de desafios que as organizações modernas enfrentam, incluindo:
Processos com uso intensivo de dados
A necessidade de treinar e manter modelos de ML em dados históricos de longo prazo em alta escala pode ser assustadora para a maioria dos bancos de dados analíticos do mercado.
Armazenamento de dados separados
O aprendizado de máquina preciso e outras formas de análise para identificar padrões de falha exigem acesso a silos de dados remotos e/ou dados de processo. Agregar dados de diferentes tipos, ou mesmo dados de tipos semelhantes, mas não idênticos - como dados de séries temporais de dois dispositivos obtidos em intervalos diferentes - pode ser demorado e desafiador.
Dificuldades na operacionalização do ML
As complexidades da ciência de dados e a falta de conhecimento especializado podem prejudicar a capacidade de uma equipe de usar o aprendizado de máquina como um recurso essencial na caixa de ferramentas da manutenção preditiva.
Falsos positivos
Quando as regras para um alerta de falha são muito rígidas ou os padrões do modelo são definidos de forma muito restritiva, pode ser gerado um grande número de alertas que, na verdade, não exigem ação. Isso pode causar fadiga de alertas. A capacidade de revisar e melhorar continuamente as previsões é um aspecto importante da manutenção preditiva.
Manutenção reativa
Problema no sistema
Chamada do cliente
Despacho
Solução de problemas no local
Entrega de peças
Reparo ou substituição
Sistema funcional
Manutenção preditiva
O monitoramento remoto prevê possíveis falhas
Serviço programado
Problema evitado
OpenText™ Vertica™ pode monitorar continuamente até mesmo conjuntos de dados extremamente grandes de componentes de equipamentos à medida que os dados são gerados. Se uma análise estatística simples for suficiente, essa análise poderá ser feita de forma fácil e rápida em um banco de dados. Vertica tem mais de 650 funções integradas que podem fazer análises rápidas de muitos tipos úteis para a manutenção preditiva, como análise de séries temporais, correspondência de padrões de eventos e aprendizado de máquina.
Quando o aprendizado de máquina é usado para fazer manutenção preditiva, dados como registros de manutenção e qualquer informação de sensor coletada ao longo dos anos são acumulados em um armazenamento de dados, como em um sistema de arquivos como o HDFS ou em um local de armazenamento de objetos como o S3. Um modelo de aprendizado de máquina é treinado com esses dados para identificar os padrões que indicam um possível problema. Em seguida, dados novos e atuais são transmitidos dos dispositivos e de seus componentes e são verificados por esse modelo treinado. Um alerta é enviado quando um possível problema é identificado. A ação corretiva é planejada e tomada ANTES que ocorra uma falha.
Desbloqueie análises robustas em dados massivos, minimizando os requisitos de computação e armazenamento