Introduction: SmartPredictive - Intelligent Predictive Maintenance
Resumo
O projeto é uma solução dentro da linha de “Indústria 4.0”. O objetivo da solução é de possibilitar a gestão inteligente da manutenção preditiva de máquinas do chão de fábrica.
(The project is a solution within the line of "Industry 4.0". The goal of the solution is to enable the intelligent management of predictive maintenance of machines on the shop floor.)
Vídeo do Projeto em Funcionamento:
https://youtu.be/pVtMYouog8k
Step 1: Descrição Do Projeto
O projeto é uma solução dentro da linha de “Indústria 4.0”. O objetivo da solução é de possibilitar a gestão inteligente da manutenção preditiva de máquinas do chão de fábrica.
Permitir um monitoramento 24 x 7 dando informações em tempo real sobre variáveis de controle tais como: temperatura, vibração, ruído, corrente, etc. A partir do monitoramento e análise dessas variáveis, pode-se tomar decisões sobre o momento exato de intervir antes da falha. Desta forma, a empresa que fará uso da solução terá ganho de disponibilidade da planta e redução de custo.
Pretende-se gerar uma planta piloto e sensorizar um protótipo. Simulando um equipamento que precisa saber informações como vibração e temperatura, como por exemplo um exaustor de neblina ácida em uma usina siderúrgica.
A medida que os dados forem sendo coletados, as informações serão enviadas para a nuvem na plataforma BlueMix e Watson da IBM. Esse meio de campo entre sensores, HMI e nuvem será feito pela nossa querida DragonBoard.
Com os dados de sensores na nuvem, utilizando modelos preditivos, vamos analisar essas informações e dar a maior quantidade de informação de forma precisa para o usuário, tais como:
0 – Predição do dia de falha de acordo com sensores e com tempo de uso;
1 – Envio de email avisando que uma variável de controle saiu de sua condição normal;
2 – HMI e tela sinótica na Web com dados sendo lidos em tempo real com alarmes e cores para sinalizar operação normal e emergência, ideal para uma sala de controle. Esses gráficos poderão ser flexibilizados para a realidade do usuário;
3 – Possibilidade de configurar gatilhos quando uma determinada condição de falha ocorrer, como: soar alarmes, acionar intertravamentos (comunicação inter-equipamentos), e até mesmo o próprio equipamento acionar o fornecedor de forma autônoma;
4 – Criação de um chatbot para interação com o usuário de forma mais cognitiva e inteligente;
As possibilidades com a digitalização do processo ficam enormes, mas para este projeto piloto, vamos focar em sensorizar, armazenar informações na nuvem, e utilizar a capacidade cognitiva da plataforma IoT Watson da IBM usando a DragonBoard para orquestrar esses níveis de informações e interações.
De acordo com o relatório da Hydrocarbon Publishing Company, a prática de desligamentos não programados, aliado a más práticas de manutenção, é responsável por custos globais na ordem de 5% da produção total anual, equivalente a US$ 20 bilhões a cada ano.
Arquitetura proposta
(Figura acima)
Diferenciais da solução
O mercado é imenso. Segundo o McKinsey Global Institute prevê que a Internet das Coisas (IoT) gerará até US $ 11T em valor para a economia global até 2025.
A demanda do mercado é urgente: 69% dos decisores acreditam que o analítico industrial será crucial para o sucesso do negócio em 2020, com 15% considerando crucial hoje (Forbes 2016).
E o nicho escolhido ainda contempla uma grande fatia desse bolo. A manutenção preditiva e prescritiva de máquinas (79%) é a principal aplicação de análise industrial nos próximos 1 a 3 anos (Forbes 2016).
Tendo trabalhado há alguns anos em TI industrial e TI Corporativa, já vimos vários projetos excelentes em cada uma dessas duas áreas, inclusive de manutenção preditiva. Porém, dificilmente estas áreas cruzam a linha de fronteira, o que infelizmente impede que uma informação do chão de fábrica, agilize a tomada de decisão estratégica da empresa.
Com a nossa solução, essa barreira será quebrada pois por um lado estaremos coletando dados dos sensores e transformando-os em conhecimento estratégico para empresa e também para o operador, otimizando a forma de trabalhar e aumentando sua performance e lucro. Utilizando algoritmos de machine learning e modelos de predição além de não perder nenhuma informação relevante através do armazenamento em nuvem.
Pode-se com o tempo, gerar relatórios tais como:
Equipamento que tem mais tempo de vida de acordo com suas especificações; Tempo real de parada e intervenções na linha de produção; Gerar compras de equipamentos por demanda e não comprar peças sobressalentes que geram alto custo e nunca se sabe quando será utilizada; Gerar insights com os modelos cognitivos do Watson que irá aprendendo com o tempo de acordo com os dados coletados em chão de fábrica, por exemplo análise de modos e efeitos de falhas; Além de permitir o acesso dessas informações em dispositivos móveis. Criando uma solução robusta, modularizada, reutilizável e escalável, será possível aplicar esta solução para diferentes indústrias tais como: automotiva, siderurgia, óleo e gás, energia, química, etc. Em uma entrevista feita com um engenheiro de produção especialista em manutenção, este sinalizou que existem vários equipamentos em sua área que precisam de uma manutenção preditiva inteligente.
Além disso, usando o viés de Indústria 4.0 de acordo com a arquitetura proposta, será possível a expansão e comunicação com outros clientes através de integração com outros sistemas, ferramentas de BI, entre outros através da criação de serviços REST-API (web-services e micro-services).
Outro ponto importante que foi mencionado durante a entrevista com o engenheiro da área de manutenção foi o alto custo das propostas recebidas para sensorizar os equipamentos. Desta forma, mesmo como uma solução altamente desejada, o cliente não pode ainda adquiri-la e acredito que usando a solução da Qualcomm com a DragonBoard, sensores e a solução de Cloud da IBM com o Watson e Bluemix, atenderemos de forma robusta, inteligente e custo mais acessível frente aos ganhos com a implantação da solução.
Acreditamos também que com essa solução integrada, temos a capacidade de não apenas obter dados dos sensores, mas transformá-los em conhecimento para a empresa e suportar a rápida tomada de decisões.
Step 2: Desafios Durante 45 De Desenvolvimento Do Projeto
Creio que um dos grandes desafios foi gerenciar o tempo nestes 45 dias e conseguir criar do zero toda a aplicação. Desde receber a dragonboard, testá-la, instalar linux, até aprender como interfacear com o IBM Bluemix e o Watson para receber dados dos sensores e armazená-los na nuvem.
Tive um problema com boot intermitente da placa mas depois que instalei uma nova imagem com a ajuda do pessoal da Qualcomm e Embarcados, o problema foi sanado.
E agradeço a Qualcomm e seus parceiros que pelos motivos acima permitiram um grande aprendizado e aprofundamento na área de IoT. Foram dias intensos, divertidos e de muito aprendizado. Que venham outros!
Step 3: Participantes
Alex Salgado, Msc - alexsalgado1@gmail.com
Step 4: Componentes Utilizados
Hardware
1 placa DragonBoard 410C
1 Linker Mezzanine Card Starter Kit
1 sensor de temperatura
1 sensor de vibração
Software/Firmware
Linux Debian
IBM BlueMix
Node-RED
IBM Watson IoT
Pyhton
C
NodeJS
AngularJS
MongoDB
Facebook API
Twilio API
Step 5: Referências
1 – Node-RED, Flow-based programming for the Internet of Things – https://nodered.org/
2 – https://developer.qualcomm.com/project/ibm-watson...
3 – https://learn.sparkfun.com/tutorials/raspberry-gp...
Step 6: Trabalhos Futuros
A curto prazo, com a ajuda de um amigo engenheiro mecânico, ainda estou terminando de construir um simulador de motor e bomba. Com este experimento coloquei um eixo entre 2 rolamentos que opera com um motor (motor improvisado da máquina de furar) e assim consigo simular um desalinhamento do equipamento que irá provocar vibrações.
Vide a foto acima.
