Manutenção Prescritiva e Operação Inteligente

Linhas de Pesquisa
Manutenção Prescritiva e Operação Inteligente

Esta linha de pesquisa visa explorar metodologias e métodos de Inteligência Artificial voltados à tomada de decisão prescritiva, com base na entrada de dados de diagnóstico e previsão de estados futuros de sistemas de múltiplos componentes, utilizando uma abordagem de várias camadas, onde é feita uma distinção entre o componente e o nível do sistema. E, no médio prazo, criar um ambiente colaborativo na Internet para estudos de manutenção prescritiva por empresas e pesquisadores.

Dentro desta linha, ainda estão inseridos os desafios de identificação e eliminação de medidas espúrias com valores atípicos (outliers) devido aos eventuais problemas nos equipamentos de medição. Além da integração de dados oriundos de fontes de dados endógenas e exógenas ao processo produtivo industrial, a manutenção prescritiva de qualquer sistema físico pode ser traduzida como a automatização, em tempo real, da tomada de decisão em relação ao tipo e ao momento de sua manutenção, bem como o planejamento otimizado, agendamento, controle e otimização da operação de várias unidades, usando qualquer combinação de otimização, heurística, aprendizado de máquina e sistemas ciberfísicos.

Para que a manutenção prescritiva tenha uma aplicação mais plena dentro do contexto da I4.0, algumas barreiras necessitam ser ultrapassadas. No nível mais básico, é o entendimento fenomenológico de cada etapa de uma linha de produção industrial e a implantação de sensores apropriados para uma aquisição em tempo real do processo. Importante destacar que não existe um compêndio público e cientificamente validado para todos os equipamentos modernos nas linhas de produção, porém técnicas de análise de confiabilidade como o Failure Mode and Symptoms Analysis (FMSA) podem ser utilizadas para definir sensores a serem utilizados para monitorar algumas grandezas específicas associadas ao processo de degradação de equipamentos comumente utilizados em processo produtivos. Complementarmente, existe o desafio de se colocar algoritmos de inteligência artificial para a tomada de decisões operacionais autônomas por esses agentes ciberfísicos. Um aspecto de vital importância é a decisão de projeto de alocar esse algoritmo de IA no estrato de processamento (fog, cloud e edge computing) mais adequado, pois dever-se-á levar em conta o nível de segurança necessária para o processo industrial no qual está inserido. Esses agentes de IA necessitam agir em diferentes níveis e negociar um resultado ideal no nível do sistema cuja abordagem pode incluir a econômica, na qual o impacto da manutenção pode ser traduzido em custos.

Adicionalmente, existem os seguintes desafios:

• Visualização de dados on-line: envolve o estudo e desenvolvimento de novas formas de apresentação de dados, promovendo uma melhor interpretabilidade e a compreensão dos fluxos de informações exibidos.
• Elaboração de algoritmos de machine learning para a otimização dos pontos de operação de equipamentos ou linhas de produção com vistas a otimizar o sistema produtivo.
• Desenvolvimento de uma plataforma de Inteligência Artificial, que disponibilize um ambiente para análise de dados com protocolos de machine learning apropriados, previamente customizados para cada tipo e modelo de equipamento em seu parque industrial, a partir dos dados disponibilizados pela plataforma de IIoT. O objetivo é a criação de um ambiente, acoplável à plataforma de IIoT, que simplifique a tarefa do usuário conduzir, tanto estudos exploratórios voltados para manutenção prescritiva, quanto para encontrar o ponto ótimo de operação de sua linha de produção. Concomitantemente, quando o estudo ou melhoria do algoritmo previamente estiver maduro para a sua entrada em produção, o usuário poderá atualizar o agente de IA em nuvem.
• Aprendizado online: envolve a atualização contínua e incremental dos modelos de aprendizado de máquina preditivos e decisórios visando a manutenção da acurácia no tempo, contrapondo-se às mudanças nos padrões de dados e nos processos industriais (incluindo alterações em regulamentos e normas e no conhecimento especialista e gerencial) que causam a degradação de modelos aprendidos como, por exemplo, fenômenos que não são necessariamente indicativos de falha a ser prevista, mas uma mudança de regime de trabalho da máquina, falta de calibração, etc. (MITCHELL et al., 2018).
• Transferência de aprendizado: envolve a criação de um modelo de prognóstico preditivo desenvolvido para um determinado setor industrial, que possa ser reutilizado em parte como ponto de partida para prever falhas em outro setor/empresa, mesmo se existirem diferenças entre o contexto em que esses setores operam. A criação de um portfólio de técnicas pode ser uma solução eficaz para a escassez de dados de prognóstico rotulados em instalações industriais.

O objetivo de curto a médio prazo desta linha de pesquisa é identificar, analisar e selecionar dentre as plataformas de IIoT disponíveis no mercado aquela que mais se adeque ao foco do estudo desta linha, ou seja, a Manutenção Prescritiva com aplicação de agentes de inteligência artificial sofisticados. Tal plataforma deve permitir a utilização dos dados provenientes de quaisquer equipamentos e fabricantes e com protocolos de comunicação mais utilizados. Nesta plataforma, deverá ser possível a carga dos dados de equipamentos de uma empresa, a confecção de estudos baseados em agentes de IA pré-treinados e também a disponibilização de parâmetros customizáveis de diversos tipos de equipamentos.

No curto prazo, serão conduzidos estudos a partir do conjunto de sistemas de medição e monitoração em tempo real, utilizando as técnicas e metodologias desenvolvidas e exploradas a partir da linha de pesquisa de mesmo nome. A manutenção prescritiva utilizará uma abordagem baseada em agentes ciberfísicos que serão desenvolvidas de acordo com a metodologia, comumente empregada para análise de dados, Cross Industry Standard Process for Data Mining (CRISP). Essa engloba desde o entendimento do negócio e dos dados a serem analisados até a implantação dos modelos produzidos, passando pelas fases de preparação e modelagem de dados. Depois que os modelos são implantados em uma plataforma de monitoramento on-line, sua saída pode ser uma recomendação, um aviso, um alarme crítico ou um planejamento e programação de operações de manutenção otimizado.

Algoritmos de aprendizado de máquina e estratégias de fusão de dados são importantes para reconhecer comportamentos vinculados aos próprios dados ou para detectar ou inferir possíveis falhas ou condições anômalas (ROUSSEAUX, 2017).

A classificação visa identificar as causas mais prováveis de comportamentos anormais confirmados e episódios de falha, a fim de prever e evitá-los no futuro (BANKS et al., 2011). Quando os rótulos estão disponíveis, o aprendizado supervisionado e o aprendizado por reforço podem ser aplicados para treinar um classificador e atuar no ativo monitorado. Em (LI et al., 2016) e (RUIZ et al., 2018), a detecção e classificação de falhas em turbinas eólicas são realizadas combinando sinais acústicos e vibratórios e características de textura dos sinais no domínio do tempo, respectivamente. Da mesma forma, Yin e Zhao (2016) adotam uma abordagem de Aprendizado Profundo (deep learning) para o diagnóstico de falhas de equipamentos de trens de alta velocidade.

Pesquisas em torno da fusão e análise de dados para prognósticos industriais são altamente necessárias. O uso de técnicas de fusão de dados e algoritmos de aprendizado de máquina para explorar todas as informações disponíveis permitem que comportamentos complexos e modelos prognósticos podem ser aprendidos com dados históricos; terabytes de dados podem ser analisados em tempo real e processos de produção podem ser monitorados de forma inteligente, on-line.

Dentro dos impactos esperados desta linha de pesquisa, estão:

• Criação de um asset performance management com protocolos de coleta e interpretação de dados focados em manutenção prescritiva e que serão usados para recomendação de decisão. Parte desse conteúdo será público, uma outra parte será de acesso exclusivo das empresas participantes de projeto pré-competitivo e outras partes serão premium, de acesso exclusivo à empresa financiadora de um projeto competitivo. Este banco de informações focará nos tipos e especificações dos sensores necessários para que os protocolos de tratamento de dados sejam efetivos na criação dos referidos agentes de inteligência artificial e
• Desenvolvimento de biblioteca de agentes ciberfísicos de inteligência artificial para o ambiente industrial no contexto de processamento de borda, com hardware genérico e capacidade suficiente para que execute algoritmos de IA.