Otimizando operações de termo-processamento com a manutenção preditiva

E se o seu forno pudesse te dizer que não está operando corretamente? Te dizer quando uma reconstrução de bomba de vácuo será necessária?
Te dizer que você corre o risco de passar por uma descoloração no próximo ciclo? Te dizer que você não vai passar no teste de vazamento daqui a três semanas?

Mormal Caution Danger
E se o seu forno pudesse te avisar sobre a falha de um elemento de aquecimento, encomendar a peça e programar o serviço necessário para instalá-la?  Estes “e se” são as motivações que levam a tecnologia de manutenção preditiva à vanguarda do desenvolvimento de produtos e de estratégias de manutenção para indústrias ao redor do mundo. E, em um futuro próximo, os consumidores estarão esperando que todos os fornos de tratamentos térmicos sejam capazes de alavancar a Internet de Coisas (Internet of Things, IoT) para realizar este tipo de análise (Fig. 1).

Atualmente, quando um forno de tratamento térmico quebra, o resultado é claro: a produção é bruscamente interrompida e a equipe necessária para resolver o problema pode não estar disponível de imediato. Em decorrência disto, as empresas são expostas a tempos de parada de máquina não planejados até que o problema seja solucionado, a possíveis gastos com hora-extra para os funcionários, ao custo adicional por precisar acelerar o embarque de peças críticas, entre outros imprevistos.

Na tentativa de combater este problema, o principal objetivo da plataforma de software para manutenção preditiva PdMetricsTM, desenvolvida pela Ipsen, é o de realizar a manutenção em um tempo programado, quando a atividade de manutenção tem maior eficiência de custo e antes que o desempenho do equipamento fique abaixo do seu limite mínimo. Como se pode imaginar, prever quando a manutenção é necessária e, assim, impedir que falhas aconteçam, traz uma série de benefícios, como evitar processos de alto custo, aumentar o tempo de atividade do forno e a sua confiabilidade, reduzir a necessidade de manutenção/conserto frequente e minimizar a carga colocada sobre as equipes das fábricas em casos de parada de máquina.

Ainda, a integração da manutenção preditiva leva à obtenção de um forno inteligente e conectado, capaz de monitorar equipamentos em serviço para apreensão de dados que auxiliem no refinamento de operações do forno e indiquem quando o serviço de manutenção será necessário. Por meio da análise de dados críticos do forno, o software de manutenção preditiva também pode identificar as tendências de manutenção, condições de deterioração e mais. Essa capacidade do software, por sua vez, ajuda os usuários do forno a fazerem planejamentos – seja programando a equipe técnica para realizar a manutenção ou garantindo que as peças necessárias do forno estejam em estoque. Fabricantes de fornos que utilizam manutenção preditiva também são capazes de reunir dados sobre o desempenho completo dos fornos, o que auxilia a melhoria contínua de produtos e o desenvolvimento de inovações futuras.

Em suma, o programa ideal de manutenção incorpora uma combinação bem equilibrada das manutenções preditiva, preventiva e corretiva, com o objetivo de preservar melhor o equipamento. Entretanto, é a adição da manutenção preditiva que ajuda a criar um programa de custos eficiente, capaz de prever falhas antes que elas ocorram, de agendar a manutenção quando for preciso e a se preparar adequadamente para qualquer manutenção corretiva que seja necessária.

Os equipamentos atuais continuam a evoluir, buscando sempre a otimização de suas operações e a redução dos tempos de parada inesperados; por conta disso, a manutenção preditiva tende a ser cada vez mais utilizada. Ao examinar o surgimento da manutenção preditiva como uma ferramenta para análise do desempenho futuro e das necessidades de manutenção e, ao considerar o impacto da plataforma de software PdMetrics da Ipsen, é possível entender melhor como as empresas vão aumentar, com sucesso, a sua produção e otimizar suas operações, ao mesmo tempo em que irão reduzir custos desnecessários e paradas de máquina não planejadas.

O Espectro da Manutenção

A fim de compreender inteiramente a emergência da manutenção preditiva e seus benefícios, é importante, primeiro, olhar para as duas formas comuns de manutenção utilizadas nos dias de hoje: a corretiva e a preventiva. Cada estratégia possui seus próprios requisitos e, frequentemente, são realizadas em conjunto com outra forma de manutenção, em um esforço para manter os níveis de produção, assim como controlar – se não reduzir – os custos associados.

Manutenção Corretiva

Considerada uma das abordagens mais básicas da manutenção, a manutenção corretiva é tipicamente aplicada após um forno falhar em seu funcionamento. Sendo assim, a manutenção corretiva frequentemente envolve olhar para os sintomas comuns do forno, para determinar as prováveis causas de sua falha, e por fim, corrigi-las [1].

Existem algumas desvantagens inerentes à manutenção corretiva, sendo a primeira delas a possibilidade das falhas ocorrerem. Por causa dessa desvantagem, a empresa é incapaz de evitar completamente as paradas na produção, além de se tornar ainda mais difícil – e caro – reduzir a quantidade de tempo necessária para direcionar o problema, porque a empresa deve estar preparada a todo o momento para algo que dê errado. Isto significa ter um amplo conjunto de peças reservas em mãos o tempo todo, ter espaços disponíveis para o estoque, gastos com salários de hora extra para a equipe de manutenção corrigir o problema e mais – tudo isto pode levar à baixa rentabilidade.

Manutenção Preventiva

A manutenção preventiva, por outro lado, envolve inspeção e manutenção regular dos equipamentos do forno antes que grandes falhas ocorram. Possuir um programa de manutenção preventiva (Preventive Maintenance, PM) apropriado é um fator-chave para proteger um equipamento e, geralmente, inclui inspeção regular, revisão do equipamento, conserto e reposição. De forma geral, programas de PM permitem agendar as paradas de máquina para manutenção e também ajudam a determinar quais os custos previsíveis e anuais com manutenção [2].

A PM difere da manutenção corretiva nesse ponto: em vez de esperar que as falhas com equipamentos aconteçam para depois consertá-las, envolve prever regularmente possíveis problemas, antes que eles ocorram, mantendo, assim, os fornos em condições excelentes de funcionamento. Deste modo, a PM é muitas vezes considerada um método eficaz para proteger equipamentos e prevenir paradas de máquina não esperadas. A PM pode ser dividida em duas subcategorias: manutenção baseada no tempo e manutenção baseada na condição.

 

Manutenção Baseada no Tempo

A manutenção baseada no tempo consiste, simplificadamente, em esperar que ocorra um “gatilho” antes de implementar a ação preventiva. Este gatilho pode ser baseado em um número de itens – total de tempo de utilização do equipamento, lead times, quantidade de produção, etc. Um exemplo comum de manutenção baseada no tempo é a troca de óleo em seu carro, uma vez que essa ação é realizada em intervalos de tempo fixos e/ou de acordo com certa quilometragem.

Essa forma de manutenção, contudo, também tem as suas desvantagens. Por exemplo, peças de baixo desgaste são trocadas com base nesse princípio de tempo, o que significa que serão trocadas com uma frequência maior do que a necessária. Como resultado, um maior número de peças de baixo desgaste deverá ser comprado e estocado com o intuito de prevenir tempo parado desnecessariamente – tudo isso leva a um aumento de custos. Por fim, a manutenção baseada no tempo é mais bem utilizada quando os gastos criados por ela são menores do que os custos que poderiam ser gerados em uma situação de paralisação inesperada ou por outra forma de manutenção, como a corretiva [3].

 

Manutenção Baseada na Condição

Não sendo muito diferente do tipo anterior, a manutenção baseada na condição também se apoia em um gatilho que indica quando a ação preventiva é requerida. Neste caso, o gatilho é a condição desejada do equipamento. Por meio de inspeções regulares, feitas em intervalos de tempo determinados, por sensores ou por seres humanos, as condições de desgaste do equipamento/peça são registradas e, então, comparadas com o nível de desgaste máximo permitido para operação segura do equipamento. Se este valor for excedido, então as peças ou sistemas em questão deverão passar pelo processo de manutenção [4].

Um exemplo de manutenção baseada na condição é a troca de pneus de um carro quando a profundidade mínima de seus sulcos está abaixo do limite prescrito. Um exemplo ao se trabalhar com fornos de tratamento térmico seria o de ajuste da bomba de água quando esta estivesse operando em temperaturas fora dos limites recomendados.

Entretanto, com essa forma de manutenção, surgem algumas limitações. Por exemplo, a manutenção deve ser imediatamente realizada se um limite é excedido. Isto leva a períodos de manutenção imprevisíveis e torna necessário possuir uma quantidade considerável de peças de substituição em estoque a todo o momento – ambos resultam em aumentos de custos com funcionários e armazenamento. De forma similar à manutenção baseada no tempo, a manutenção baseada na condição só vale a pena quando seu custo é comedido, fazendo-se um balanço entre os benefícios totais e os gastos com outras formas de manutenção.

 

Manutenção Preditiva

O objetivo da manutenção preditiva é aplicar métodos analíticos para detectar o risco de falhas, de modo a preveni-las antes que cheguem a ocorrer. O programa ideal de manutenção preditiva frequentemente é utilizado em série com um programa de PM, bem como é projetado para evitar falhas de equipamentos e agendar a manutenção, quando for necessário. Pelo monitoramento do forno, de seu desempenho e de outros parâmetros, a manutenção preditiva fornece dados fundamentais que podem ser analisados a fim de determinar quando a manutenção será realizada, proporcionando, deste modo, um forno de tratamento térmico capaz de prever diferentes possibilidades de problemas. Além disso, esses dados podem ser utilizados para otimizar o funcionamento do forno, sua eficiência, segurança, entre outros. Sendo assim, a manutenção preditiva é, em muitas formas, uma extensão melhorada do sistema de PM baseada na condição.

Em contraste com outras formas de manutenção, a manutenção preditiva permite um planejamento abrangente dos recursos disponíveis, ajudando, assim, a minimizar a equipe de funcionários, o armazenamento e custos com peças de substituição. Além disso, é eficaz em identificar problemas que ocorrem entre as inspeções agendadas. Finalmente, sistemas de manutenção preditiva geralmente proporcionam alto custo-benefício, resultando em uma solução especializada para os elementos mais essenciais de um sistema grande – neste caso, um forno de tratamento térmico.

 

Convergência entre a Internet de Coisas e a Big Data

O aprimoramento de operações é uma das principais forças motrizes por trás de muitas decisões e ações do mundo dos negócios. Para demonstrar tal fato, a Corporação de Dados Internacionais (International Data Corporation, IDC) realizou recentemente um estudo entre as profissões de operações e de negócios, concluindo que: “O principal impulsionador da Big Data e dos projetos analíticos é ‘o aprimoramento e a inovação de produtos e de serviços’” [5]. Para entender o crescente desenvolvimento de tais projetos, primeiramente deve-se entender a convergência entre a IoT e a Big Data.

 

Compreendendo a Internet de Coisas

O termo Internet of Things foi cunhado em 1999 por Kevin Ashton, cofundador e diretor executivo da Auto-ID Center, como um modo de descrever como os objetos físicos estão conectados à Internet.

“Os computadores de hoje – e, portanto, a internet – são quase inteiramente dependentes de seres humanos para obter informação. Quase todos dos, aproximadamente, 50 petabytes (um petabyte equivale a 1,023 terabytes) de dados disponíveis na Internet foram capturados e criados primeiramente por seres humanos – por meio da digitação, gravação, tirando fotografias digitais ou digitalizando um código de barras […] O problema é que as pessoas têm tempo, atenção e precisão limitados – o que significa que elas não são muito boas em apreender dados sobre elementos do mundo real […] Se nós tivéssemos computadores que soubessem tudo o que há para saber – utilizando dados que eles colheram sem nenhuma ajuda humana – nós seríamos capazes de rastrear e contar tudo, além de reduzir imensamente os gastos, perdas e preços. Nós saberíamos quando as coisas precisariam ser substituídas, consertadas ou retornadas e também se elas estão novas ou se já excederam sua vida útil” [6].

Apesar da IoT ter sido cunhada em 1999, foi somente em 2010 que o conceito começou a ganhar popularidade. De modo geral, a IoT abrange conexões além do contexto industrial, como instrumentos ou dispositivos usados em pessoas – ou seja, objetos físicos que são conectados às pessoas por redes com ou sem fio (por exemplo, um acompanhador de exercícios físicos da Fitbit ®, que monitora diferentes aspectos da saúde de uma pessoa e grava tais dados por uma conexão em rede).

 

Definindo a Big Data

Se a IoT pode ser definida como um grande número de sensores conectados pela Internet, que estão anexados a uma série de “coisas”, a Big Data é, então, um termo para a quantidade massiva de dados que essas coisas geram. Tomemos um smartphone como exemplo. Se você costuma carregar um consigo durante o dia regularmente, muitas de suas atividades frequentes (tanto físicas como dentro do smartphone) podem ser rastreadas, analisadas e influenciadas. Os dados criados pelas atividades de seu smartphone são considerados como Big Data.

A Big Data é caracterizada pelos quatro “Vs”: velocidade, volume, variedade e veracidade (isto é, precisão). Esclarecendo, “dispositivos industriais conectados, dotados de sensores, estão produzindo dados” rapidamente (velocidade), em grandes quantidades (volume) e em uma combinação de informações “estruturadas, semiestruturadas ou desestruturadas” (variedade). Além disso, esses dados podem ser “ruidosos e de qualidade ímpar” (veracidade). Isso significa que certos dados podem ser mais precisos que outros, dependendo de sua origem [7].

Portanto, esses dados são utilizados em iniciativas analíticas, como a manutenção preditiva, para “[descobrir] sinais precoces de possível falha da máquina, para determinar as prioridades de manutenção ou antecipar uma troca na demanda que irá impactar capacidade de entrega das operações”. Tudo isso contribui para melhoria de operações por intermédio do uso da IoT e da Big Data da manutenção preditiva.

Desenvolvimento da Plataforma de Software

A plataforma de software PdMetrics foi desenvolvida pela Ipsen para que as empresas usufruíssem da riqueza de dados disponíveis de seus equipamentos e dos processos realizados no forno. Dessa maneira, os usuários são capazes de reduzir de maneira eficiente e econômica as paradas de máquina desnecessárias, ao mesmo tempo em que otimizam operações. A plataforma de software proporciona aos usuários do forno quatro atributos primordiais: a habilidade de atingir o desempenho máximo do equipamento, um Ajudante de Diagnóstico (Diagnostic Helper), com acesso a ferramentas e recursos vitais, uma rotina inteligente de manutenção e um aperfeiçoamento contínuo do uso do forno. Cada um desses elementos interage e se complementa para criar uma experiência integrada de uso.

Possuir a habilidade de monitorar parâmetros fundamentais do forno e de dados críticos está se tornando uma prioridade para as indústrias, já que estas se concentram cada vez mais em reduzir falhas de equipamentos e, deste modo, reduzir custos de manutenção. De fato, estudos industriais provaram que “a falha de uma máquina essencial para um processo operacional pode levar aos maiores impactos possíveis no rendimento que podem ser gerados por uma firma […] Previsões exatas e realizadas no momento certo podem salvar milhões de dólares em custo de manutenção” [9]. Portanto, implementar uma plataforma de software para manutenção preditiva possibilita encontrar soluções para o corpo de empregados em todos os níveis – desde o operador de forno, que pode facilmente monitorar as condições do forno e seu status de funcionamento, até os administradores, que passam a ter uma visão panorâmica da operação inteira, através de uma rede de fornos conectados com maior inteligência (Fig. 3).

Tome, como exemplo, como as quatro características primárias operam durante o monitoramento dos dados críticos da zona de calor do forno.

 

Desempenho Máximo do Equipamento

Para assegurar o desempenho máximo da zona quente, parâmetros como a resistência do aterramento, perda de calor, circuitos abertos e limpeza da zona quente são monitorados. Isso, depois, ajuda a evitar formação de faíscas, que podem danificar os elementos de aquecimento; garante uniformidade apropriada de aquecimento; e previne o alto consumo de energia pela zona quente.

 

Ajudante de Diagnóstico

O Ajudante de Diagnóstico oferece procedimentos para diagnosticar vazamentos e uma categoria Pergunte a um Especialista (Ask an Expert), para auxiliar os usuários do forno a determinar melhor a causa de qualquer sintoma de problemas. Também fornece diversos recursos valiosos, como dicas de investigação das falhas em serviço, sequências para investigar problemas com válvulas e mais.

Por exemplo, caso o forno apresente dificuldades para atingir níveis de vácuo (isto é, evacuação), é porque pode existir algum vazamento. Os usuários podem, então, usufruir dos recursos do Ajudante de Diagnóstico para determinar a raiz do problema antes que o vazamento degrade lentamente a zona quente. Por outro lado, se, de repente, os usuários notarem o escape de gases, a presença de peças sujas e/ou um processo de obtenção de vácuo muito prolongado, eles serão capazes de utilizar a estação de clima para verificar se os níveis de umidade se encontram elevados demais, podendo ser a causa destes problemas, ou se esses sintomas são indicativos de um problema maior.

 

Rotina de Manutenção Inteligente

Como ainda é necessário que existam programas de PM e capacidades de manutenção corretiva, o PdMetrics é construído sobre métodos existentes de manutenção e de programas de PM, incorporando uma rotina inteligente que fornece lembretes automáticos de manutenção, baseados no desempenho do forno e na utilização de componentes. Como resultado, em vez de substituir componentes da zona quente ou procurar a descoloração causada pelo tempo de utilização, os usuários são notificados sobre quando a zona quente necessita de tal manutenção. Isso permite, então, agendar a alocação de recursos para a equipe de manutenção, peças de substituição e mais. Adicionalmente, sempre que uma ação é necessária e/ou uma anomalia ou erro ocorre no forno, a plataforma de software irá manter um registro diário de todos estes erros ou problemas.

Tornando completa a capacidade que a plataforma de software possui de montar rotinas inteligentes de manutenção, se tem a incorporação das datas de calibração obrigatórias do forno. A plataforma avisa quando uma calibração é necessária, de modo a fornecer tempo suficiente para o planejamento da ação e, assim, permite que a produção da fábrica se dê de maneira contínua, sem quaisquer interrupções.

 

Otimizar o Uso do Forno

Finalmente, usuários são capazes de aperfeiçoar continuamente o uso de seus fornos, bem como experimentar uma visibilidade operacional melhorada. Com a capacidade da plataforma de software de se integrar a múltiplos fornos, junto de sua conectividade inteligente, que permite aos usuários receber notificações por emails e/ou mensagens de texto, o monitoramento de múltiplos fornos, a partir de diferentes localidades, se tornou muito mais simples. O ótimo resultado proveniente disso é que as fábricas podem conectar-se globalmente de um modo que antes era impossível.

Pela análise de dados apreendidos, os usuários são capazes de implementar com mais facilidade quaisquer melhorias ou ajustes necessários que auxiliem no refinamento e no aperfeiçoamento do desempenho do equipamento, além de distribuir os recursos (como peças, funcionários) de forma mais efetiva, de acordo com as necessidades gerais.

Conclusões

E se o seu forno pudesse te avisar de que não está operando da maneira correta? Uma questão tão simples, porém impactante, é a força motriz por detrás da constante evolução dos métodos e procedimentos de manutenção. Essa constante evolução é necessária caso se deseje aumentar a produção com sucesso, otimizar operações e, simultaneamente, reduzir custos de produção e paradas de máquina não planejadas. Uma resposta para este “e se” – assim como o próximo passo no caminho evolutivo da manutenção – é a manutenção preditiva.

Conforme avançamos por este caminho, muitas empresas estão aprendendo que “os modelos analíticos da manutenção preditiva podem guiar gestores a tomar melhores decisões sobre como distribuir recursos e quando mantê-los para garantir operações seguras, eficientes e otimizadas” [10]. O que a Ipsen está descobrindo é que a plataforma de software PdMetrics para manutenção preditiva proporciona uma solução inovadora para a indústria de processos térmicos, graças a sua habilidade de assegurar a capacidade máxima de desempenho de equipamentos, através do monitoramento em tempo real de sistemas fundamentais.

Os benefícios incluem: prever e programar serviços com base na história operacional do forno; reduzir o número de paradas de máquina não planejadas, com a capacidade de determinar necessidades de inventário antecipadamente e corrigir áreas problemáticas antes que se tornem críticas; e integrar a plataforma de software com o departamento de serviços da empresa, para programar e acompanhar melhor as atividades regulares de manutenção preventiva.

Por fim, a PdMetrics é um importante exemplo de como a manutenção preventiva está emergindo como ferramenta para analisar o desempenho do equipamento e as necessidades de manutenção, e também mostra como a Internet de Coisas e a Big Data começaram a alterar o mundo dos tratamentos térmicos.

[info_box title=”Diagnóstico simples, porém poderoso” image=”” animate=””]

A plataforma de software PdMetricsTM utiliza sensores e algoritmos de controle próprios para determinar o intervalo de tempo apropriado para substituição de peças e de manutenção do forno. Quando o software determina que uma ação é necessária, um alerta automático é enviado tanto para o cliente como para a Ipsen, notificando, assim, o cliente com antecedência e configurando a entrega das peças necessárias e/ou programando a atuação da equipe de serviço.

Outras características especiais são:
• Tela de interface capaz de se integrar com múltiplos fornos;
• Notificações para substituição de peças, emitidas com base no tempo de uso e nas características de desgaste das mesmas;
• Conectividade inteligente que permite aos usuários receber alertas por email e/ou mensagens de texto;
• Suporte técnico por meio da Nuvem de Serviços da Ipsen, que permite que especialistas em manutenção acessem rapidamente os dados necessários e forneçam suporte ótimo.

De maneira abrangente, pelo monitoramento de dados críticos, incluindo controles, vibrações, pressão, entre outros, os usuários são capazes de melhorar a saúde e a integridade de diversos sistemas: a zona aquecida, sistema de bombas, sistema de refrigeração e integridade do vácuo (Fig. 2).

[/info_box]

[hr height=”30″ style=”default” line=”default” themecolor=”1″]

Para mais informações: Aymeric Goldsteinas, Ipsen Inc., (+1) 815- 332- 2551; info@IpsenUSA.com; site: www.IpsenUSA.com.

[our_team image=”” title=”Referências” subtitle=”” email=”” phone=”” facebook=”” twitter=”” linkedin=”” vcard=”” blockquote=”” style=”vertical” link=”” target=”” animate=””][/our_team]
[1] Grann, Jim, “Protecting Your Vacuum Furnace with Maintenance,” Ipsen White Paper, Industrial Heating (2015), http://www.industrialheating.com/ext/resources/IH/Home/Files/PDFs/15March-IH-WhitePaper_MaintenanceTips_final.pdf;
[2] Ibid;
[3] Ahmad, Rosmaini, and Shahrul Kamaruddin, “An overview of time-based and condition-based maintenance in industrial application.” Computers & Industrial Engineering, Vol. 63, No. 1 (2012), pp. 135-149;
[4] Ibid;
[5] Morris, Henry D. et al., “A Software Platform for Operational Technology Innovation,” International Data Corporation (2014), pp. 1-17;
[6] Ashton, Kevin, “That ‘Internet of Things’ Thing,” RFID Journal, Vol. 22, No. 7 (1999), pp. 97-114;
[7] Morris, pp. 7;
[8] Ibid., 1;
[9] Ibid., 4;
[10] Ibid., 16.

 

    Comente esta matéria do Portal

    Your email address will not be published.*