Reunir 8 anos de informações geradas por 2.065 sensores em 4 equipamentos da indústria petroquímica não foi o único desafio do projeto de Indústria 4.0 desenvolvido pela Stone Age, especializada em soluções de Big Data para negócios. Além do volume de 400 Gb, os dados tinham natureza e origem diversas porque ao longo desses anos, a planta fabril passou por diversas alterações, com instrumentos reposicionados e substituição de sensores por modelos novos. O objetivo era usar Inteligência Artificial para prever quando e por que determinados equipamentos iriam falhar, pois cada parada do processo produtivo para manutenção ou conserto de máquinas gerava grandes prejuízos.
“O problema é que as falhas não estavam claramente definidas no histórico de dados e não havia fórmulas prontas para encontrá-las. Então, tivemos de construir modelos de previsão de falhas que pudessem avisar quando um determinado equipamento realmente precisa de manutenção, aumentando seu tempo de atividade e diminuindo a quantidade de paradas. Usamos Machine Learning, uma aplicação de Inteligência Artificial, para prever quando e quais problemas estão prestes a acontecer, permitindo que o cliente planeje a manutenção de forma mais assertiva e gerando o menor impacto possível”, afirma Fernando Guimarães, sócio-diretor da Stone Age.
Depois de desenvolver 5 modelos de previsão de falhas, a Stone Age integrou esses resultados no painel que a planta industrial já utiliza: além de dados como temperatura e trepidação, é possível ver um novo grupo de sinais que indica quando a máquina precisa de manutenção. Além disso, como uma das falhas não possuía um volume de ocorrência grande o suficiente para a criação de um modelo preditivo, foi gerado um modelo de comportamento. A Stone Age desenvolveu ainda um algoritmo de detecção de um tipo de falha que antes não podia sequer ser percebido.
Continua depois da publicidade |
“Desde o desenvolvimento dos modelos – feito em nuvem, que tem maior capacidade de processamento – até entrar em produção – na nuvem ou no servidor da empresa – usamos principalmente ferramentas de mercado, como Spark, a linguagem de programação estatística R, Keras, entre outros. O grande ganho desse cliente é que agora ele pode olhar os mesmos dados que ele já tinha de forma contínua, analisando ao longo do tempo – olhando para trás e fazendo projeções para frente. Porque antes, eles só conseguiam ver as informações de forma separada, ponto a ponto, instante a instante”, explica Fernando Guimarães.
Gostou? Então compartilhe:
