Pesquisa

Logistics & Manufacturing

DESIGN THINKING

Unveil approach

Industrie 4.0
PREDICTIVE MAINTENANCE

THE CASE OF PREDICTIVE MAINTENANCE

O Desafio de Big Data

A quantidade de dados gerados por um estabelecimento industrial de alta complexidade é enorme. Estes dados geralmente são caracterizados pelos 5Vs.

CLIQUE AQUI E DESCUBRA-OS!

Variety Variety

Variety

Value Value

Value

Veracity

Velocity

Volume

×

O Desafio de Big Data

A quantidade de dados gerados por um estabelecimento industrial de alta complexidade é enorme. Estes dados geralmente são caracterizados pelos 5Vs.

CLIQUE AQUI E DESCUBRA-OS!

Variety

A integração de diferentes fontes de dados, bem como a necessidade de integrar dados não-estruturados são desafios que os bancos de dados relacionais tradicionais dificilmente são capazes de lidar. Especialmente porque o sistema tem que ser suficientemente flexível para integrar também fontes de dados imprevistas. No contexto de Manutenção Preditiva, som, vídeo, dados de radar, imagens, etc., podem ser utilizados em combinação com outros dados do sensor.

Value

Os dados em si não contêm nenhum valor – valor é gerado pela forma como os dados são usados. Em qualquer projeto de manutenção preditiva, um dos principais desafios é identificar as variáveis certas dentro da enorme quantidade de dados redundantes e determinar o refinamento dos modelos.

Veracity

Nem todos os dados são verdadeiros, e as fontes podem enganar. O desafio com Big Data é desenvolver maneiras de manter os dados bons e eliminar aqueles ruins. Os erros de medição, por exemplo, têm que ser detectados e eliminados com base em modelos construídos por dados históricos.

Velocity

Os processos de produção funcionam em tempo real. Os dados coletados são, portanto, de alta granularidade temporal e requerem processamento em tempo real, caso os mesmos sirvam para regular um processos em curso e intervir antes que os parâmetros atinjam níveis críticos.

Volume

Redes de sensores de grande escala em estabelecimentos industriais e redes de controle de veículos produzem grandes quantidades de dados em dimensões de zettabytes, ou até mesmo brontobytes. Estas quantidades de dados são grandes demais para serem armazenadas e processadas pelos modelos de banco de dados tradicionais. Usando sistemas distribuídos (como Hadoop), os bancos de dados estão se transformando em redes.

FONTES E INFRAESTRUTURA DE DADOS

O objetivo é garantir que a infraestrutura de TI realmente atenda às exigências do objetivo previsto. O grande desafio é ampliar os bancos de dados clássicos relacionais com dados não-estruturados.

infrastructure

A escolha do layout de arquitetura depende principalmente sobre o quanto os dados gerados precisam ser rapidamente transformados em ação durante a etapa de análise e que grau de automação de processos deve ser alcançado. Esta questão, como a escolha de fontes de dados relevantes não pode ser generalizada e depende totalmente do caso de uso específico (da indústria).

EXPLORAÇÃO DE DADOS E MODELAGEM

Metas e possibilidades são avaliadas a partir de vários aspectos empresarias, desde técnicos, jurídicos até de TI. Especialistas de vários campos têm que reunir e desenvolver novas ideias. Uma vez que as metas são estabelecidas, os cientistas de dados desenvolvem modelos estatísticos que definem e integram todas as variáveis para prever quando uma falha de um componente de um motor ou de uma máquina irá ocorrer.


Os modelos são, então, testados com exercícios e dados reais disponíveis: isto permite avaliar a qualidade do modelo, que será refinado ainda mais.

 
 
 
 

PROCESSO DE INTEGRAÇÃO

 
 
 
 

Previsões e resultados de análises precisam ser incorporados nos processos da empresa. As pessoas relevantes devem ter acesso em tempo hábil, com as ferramentas certas e uma interface de usuário que permita identificar as suas decisões.


A escolha das ferramentas adequadas depende do grau de automação desejado, ou seja, como e quando os dados são analisados e interpretados pela equipe da empresa e se o modelo desencadeia automaticamente a execução ou emissão de tarefas de manutenção.

Mesmo que do ponto de vista de TI, a Manutenção Preditiva é, em sua essência, um desafio do Big Data, a mesma exige a expertise de todos os setores tecnológicos: rede e telecomunicações, arquitetura de TI, Internet das Coisas, Computação em Nuvem e segurança.

A REPLY TEM UM HISTÓRICO COMPROVADO EM TODAS AS ÁREAS QUE SÃO RELEVANTES PARA A MANUTENÇÃO PREDITIVA.

Através do seu comprometimento com a Fundação OPC, a Reply contribui ativamente com o desenvolvimento de normas para IoT (Internet das Coisas) como um pré-requisito para o desenvolvimento da Indústria 4.0 e da manutenção preditiva, criando o padrão de interoperabilidade para automação industrial.

A experiência e competência técnica adquirida pela Reply em inúmeros projetos estão abrindo novos horizontes paras o desenvolvimento da Indústria 4.0, e, neste contexto, a Manutenção Preditiva tem de ser considerada um acelerador chave.

PREDICTIVE MAINTENANCE NA PRÁTICA

WIND
FARMS

COMMERCIAL
VEHICLES

CONNECTED
CARS

STEEL
PRODUCTION

Wind farms

A energia eólica é um dos exemplos típicos de manutenção preditiva. O uso de sensores conectados via internet permite eliminar quase totalmente as perdas por paradas não programadas das turbinas eólicas. Especialmente para turbinas em parques eólicos offshore, a combinação de sensoriamento remoto com modelos preditivos ajuda a reduzir a necessidade de verificações de rotina no local e, portanto, diminui significativamente os custos de manutenção.

Commercial vehicles

A manutenção preditiva baseada nos dados de sensores ajuda a prevenir o tempo de inatividade de produção de canteiros de obras ou no setor agrícola, por exemplo, e também pode reduzir incidentes no setor de logística. Os fornecedores de aluguel de veículos comerciais podem enviar equipes de serviço na hora certa, antes que um veículo quebre e até mesmo desenvolver modelos de negócios inovadores, como o pay-per-performance.

Connected cars

Através da utilização de sensores instalados no veículo, estes são capazes de determinar se um dos sistemas está propenso ao mau funcionamento ou falha. Os dados gerados, por exemplo, na rede de controle podem ser transmitidos para mais análises e um aviso pode ser acionado no console para agendar uma verificação. Informações sobre a condição do carro podem ser transmitidas à autorizada, para que as peças e materiais necessários estejam disponíveis e os reparos possam começar o quanto antes.

Steel production

Seguindo a abordagem de Design Thinking, foi possível detectar que, em uma empresa de produção de aço, os sensores já estavam coletando todos os tipos de dados gerados pelo processo de produção. Por meio de uma configuração baseada em Tecnologia de IoT e Integração de TI, unidas à experiência e ao know-how dos engenheiros, empresa pode usa ativamente esses dados para fazer previsões sobre a qualidade do material e eliminar falhas durante o processo, reduzindo significativamente os custos com futuros reparos.

 
 
 

Syskoplan Reply é a empresa do Grupo Reply especializada em serviços de consultoria e implementação de tecnologia SAP. Syskoplan Reply auxilia seus clientes na introdução de soluções inovadoras para apoiar processos, graças ao grande conhecimento de SAP HANA, Internet das Coisas, análises em tempo real na plataforma HANA e experiência do usuário com SAP Fiori. Esta abordagem é marca de excelência da Syskoplan Reply e principal referência para as empresas que querem integrar Engajamento do Cliente e e-commerce, soluções digitais e modelos centrados na relação Cliente-Fornecedor.