Muitos cursos, webinars e até mesmo desenvolvedores de sistemas têm trazido à tona a importância da IA (Inteligência Artificial) e do “machine Learning” para o avanço da manutenção em direção a confiabilidade e maior disponibilidade de ativos…
Mas será que somente trazer estas “ferramentas” ou “tecnologias” para dentro de seus sistemas e de nossa vida de gestores bastará?
É claro que a resposta é não, pois deve-se estruturar a melhor forma de ajuda entre estas plataformas e tecnologias disponíveis, o que demandará pela melhor e concisa estruturação de seus processos.
Se adotarmos como nossa a meta de atuar de forma proativa sobre os ativos de manutenção, teremos de nos utilizar de dados históricos armazenados em nosso sistema de gestão, o que demandará primeiramente pela estruturação e organização deste banco de dados, assim como pela capacitação de nossos colaboradores para o adequado lançamento destas informações dentro da plataforma.
Notem que já teremos acima ao menos 2 grandes processos para “desenhar” e implantar!
Mas retornando ao tema do post, ou melhor, para a real contribuição da IA e Machine Learning na estruturação e implementação de nossa manutenção proativa, teremos ainda que estudar a melhor forma de analisar estes dados históricos e seus comportamentos, em busca de melhores resultados.
Neste caso, será importante a estruturação de nossos processos e da melhor aplicação da tecnologia em nosso dia à dia.
Li recentemente um artigo publicado pela PLANT ENGINEERING e que abordou o tema acima, sendo importante compartilha-lo com vocês…
ARTIGO: How to anticipate maintenance problems with predictive analytics
DE: PLANT ENGINEERING
POR: JOE RECKAMP
ACESSE O ARTIGO EM SUA FONTE: https://www.plantengineering.com/articles/how-to-anticipate-maintenance-problems-with-predictive-analytics/?utm_source=Predictive+and+Preventative+Maintenance&utm_medium=Newsletter&utm_campaign=CFECD240904005&oly_enc_id=3803H7421378F9H
O artigo acima demonstra a partir de alguns exemplos, a combinação entre a análise retrospectiva de dados históricos e o uso de ferramentas preditivas com o objetivo de compreender e aprender o ocorrido com o ativo, identificando as ações necessárias para mitigar novos riscos ou mesmo minimizar os seus efeitos e impactos.
Figure 2: While troubleshooting a critical feed gas compressor failure, a petrochemical and refining company used Seeq to quickly find the five most recent shutdowns and subsequent restarts from decades of historical process data. Using “capsules” and “chain view,” they overlaid the events to identify abnormalities in the discharge pressure profile of the two most recent startups. Courtesy: Seeq
A figura acima foi reproduzida a partir do artigo em sua fonte.
É justamente neste propósito que a IA e o Machine Learning pode prestar a sua contribuição, reduzindo substancialmente o tempo de análise e emitindo relatórios que ajudarão na tomada de decisões mais eficazes.
Para quem tiver um tempinho, recomendo a leitura do artigo diretamente em sua fonte, bastando clicar no link inserido no “ACESSE O ARTIGO EM SUA FONTE”.
Boa leitura!!
Operação & Manutenção Sustentável 