SmartPredictive - Manutenção Preditiva Inteligente

Participantes:

Alex Salgado

Resumo 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.

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

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.

Histórico do desenvolvimento:

Semana 1

  • Montagem do ambiente

Semana 2

  • Chegada dos kits, teste de mesa, prova de conceito
  • Realizando o treinamento

Semana 3

  • Estudando tutoriais de conexão da dragonboard com IBM-bluemix
  • Fazendo testes desta conexão
  • Criando conta no BlueMix
  • Instalando Node-RED
  • Flashing linux usando fastboot – https://github.com/salgado/dragonboard410c/blob/master/flashing_linux.md

Semana 4

  • Resolvendo problemas com boot aleatório e intermitente da placa
  • Desenvolvendo comunicação com BlueMix
  • Estudando modelo de predição por vibração

Semana 5

  • [resolvido]Resolvendo problemas com boot aleatório e intermitente da placa
  • Problemas criando swap no SD-card
  • [funcionando] Desenvolvendo comunicação com BlueMix
  • [funcionando] quickstart dragonboard->node-RED->IBM Watson

Semana 6

  • Conectando BlueMix com sensores do kit Linker Mezzanine
  • Integração DragonBoard->SMS via Twilio

  • Criando um protótipo de equipamento com rolamentos e eixo para sensorizar

Última Semana

  • [resolvido] problema com sensor de temperatura do linker mezzanine
  • criação de um chatbot: dragonboard->watson->facebook messenger [funcionado]

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

Referências:

1 – Node-RED, Flow-based programming for the Internet of Things – https://nodered.org/

2 – https://developer.qualcomm.com/project/ibm-watson-iot-platform-service

3 – https://learn.sparkfun.com/tutorials/raspberry-gpio/python-rpigpio-example

4 – http://pythonhosted.org/libsoc_zero/experiments.html

5 – http://www.96boards.org/documentation/ConsumerEdition/CE-Extras/GPIO/Examples/GPIO_Examples/Example_1.md/