monitoramento de condições simuladores análise de falhas

Ferramentas Digitais e Competitividade – AgendaY-Knot

XV Congresso Nacional de Excelência em Gestão, VI Inovarse & IX Congresso de Sistemas Lean - 2019

Simuladores

Análise de Falhas

Monitoramento de Condições

Conclusão

Ferramentas Digitais e Competitividade – Monitoramento de CondiçõesY-Knot


Simuladores

Análise de Falhas


Conclusão

Ferramentas Digitais e Competitividade – Monitoramento de Condições

O que é Monitoramento de Condições (“Condition Monitoring”) e porque sua utilização?

• Monitoramento de Condições é uma forma de efetuar a manutenção de equipamentos com base em previsões de vida obtidas através de analises deinformações de sensores, performance e histórico de manutenção;

• O principal objetivo e a redução do custo de manutenção do equipamento através da previsão de falhas antes de sua ocorrência, maximizando a vida doscomponentes e peças e impedindo paradas não programadas e danos colaterais por falhas catastróficas.

Y-Knot


Como implementar?

• A implementação é bem mais complexa do que ateoria sugere, e necessita do engajamento detodas as áreas envolvidas para garantir a suaefetividade;

• A construção de uma solução utiliza váriossistemas e insumos para seu funcionamento;

• Em função da grande quantidade de dadosnecessária para predições efetivas, a coleta dedados (na quantidade, qualidade e regularidadenecessárias) é fundamental para obtenção deresultados consistentes;

• Um implementação feita corretamente podeconseguir ganhos significativos, tanto emdisponibilidade dos equipamentos, como no custopeças e componentes.

Dados de manutenção

ClusterizaçãoAgrupamento de equipamentos /

falhas com características similares e não triviais

PrediçãoAlgoritmos estatísticos e de

machine learning para estimar falhas e vida útil de equipamentos

DashboardsVisualizações interativas de

relatórios gerenciais e operacionais

Análise deóleo

DW TradicionalArmazena volumes médios de dados

adquiridos em lote

TransformaçãoTransformação para formato relacional,

limpeza e validação de dados

Apps OperacionaisModelos analíticos

suportando a operação

Dados de sensores

Data LakeArmazena dados

semi-estruturadosem grande volume

e em tempo real

Uploads em lote

médio volume

Streaming em tempo

realalto volume

Uploads em lote

médio volume

Notificações Automáticas

Notificações de stakeholders

guiadas por dados

Aquisição Inteligência AçãoIntegração

MovimentaçãoTransferência de

dados para armazenamento

em nuvem

AgregaçãoTransformação de

dados para diferentes níveis de granularidade

Data WarehouseLógico

Hub de EventosRecebe grandes

volumes de eventos em tempo real

Detecção de AnomaliasModelagem estatística para

detecção de desvios em indicadores de monitoramento

KPIs e Métricas GerenciaisModelagem de baseada em

sistema unificado de dados e lógicas do negócio

Análise Descritiva

Análise Diagnóstica

Análise Preditiva

Análise Prescritiva

• Dados de sensores e manutenção integrados

• Data Lake• Dashboards• Relatórios

dinâmicos• Drilldowns• Alertas

• Análise de clusters

• Text mining de O.S.

• Detecção de anomalias

• Alertas avançados

• Aprendizado supervisionado

• Regressão multivariada

• Predição de corretivas

• Predição de falhas por categoria

• Deep neural networks

• Sistema de recomendações

• Automação de decisões

Complexidade / disponibilidade de dados

Valo

rFerramentas Digitais e Competitividade – Monitoramento de Condições

Y-Knot


Níveis de maturidade dos dados e analises:

• Dependendo do nível de maturidade dos dados e análises existentes, a implementação deve ser faseada, procurando obter ganhos de forma incremental.O caminho de desenvolvimento de uma plataforma preditiva passa por diferentes níveis de maturidade, sendo possível gerar ganhos em cada uma destasetapas.

• Os modelos de predição de alta assertividade são dependentes de um histórico extenso e variado de dados, preferencialmente com a disponibilidade dedados de diferentes modelos de equipamento, em diferentes idades, e em diferentes condições de aplicação. Esta diversidade é essencial para odesenvolvimento de soluções analíticas mais avançadas.

Perf

orm

ance

Quantidade de dados

Qualidade dos Modelos Preditivos

Redes Neurais Grandes Redes Neurais Médias Modelos Tradicionais de Aprendizado



Potenciais dificuldades para implementação do modelo de manutenção por Monitoramento de Condições:

• As aplicações de Big Data e Analytics podem ser utilizadas para resolver uma vasta gama de problemas. Ao lado temos alguns exemplos de abordagens eobjetivos, bem como possíveis restrições a sua aplicação.

Problemas (exemplos)

Predizer se um ativo irá falhar no

curto prazo

Classificação

Detectar desvios de comportamento em

equipamentos

Detecção de anomalias

Estimar a vida útil de um ativo

Regressão

Objetivos

Reduzir risco operacional de equipamentos críticos

Estender vida do equipamento ao antecipar falhas

Controlar custos de manutenção e reduzir o

backlog

Reduzir custos de estoque ao aumentar previsibilidade

Restrições

Disponibilidade de dados Qualidade de dados

Frequência de coletaTempo disponível entre

predição e tomada de ação

• Após a definição do problema a ser abordado, inicia-se o levantamento dosdados necessários, o tratamento dos mesmos, e a definição dos modelos aserem utilizados. Caso o estado atual dos dados históricos disponíveis,práticas de coleta, e forma de armazenamento não sejam adequados, deve-sepropor alterações no processo e agregação de novas fontes de informação;

• Com a primeira amostra dos dados disponíveis, executa-se uma análisepreliminar de viabilidade para modelos preditivos;

• Dependendo do nível de maturidade dos dados disponíveis, os resultadospossíveis de serem atingidos podem ser diferentes:

• O histórico de dados é determinante para a qualidade do modelopreditivo a ser desenvolvido;

• A quantidade de dados é influenciada pelo horizonte de tempo em quehá histórico, pela quantidade de indicadores de monitoramento, e pelafrequência de medição e armazenamento;

• A qualidade do histórico de dados é determinada pelo tamanho efrequência dos gaps de coleta, pela quantidade de registros semintegridade, e no caso de registros de manutenção, pela falta depadronização.



Aplicabilidade do modelo de manutenção por Monitoramento de Condições

Caminhão fora de estrada x bomba de abastecimento de combustível

O modelo de manutenção por Monitoramento de Condições pode ser aplicadoaos mais diversos tipo e portes de equipamentos. Uma vez que é baseado nacoleta, tratamento e análise de dados, qualquer equipamento com sensoriamentoestá apto a esta abordagem, como por exemplo, caminhões fora de estrada ebombas de combustível de postos de abastecimento;

• A similaridade técnica entre os caminhões fora-de-estrada e as bombas deabastecimento são maiores do que se possa supor a priori;

• Ambos são compostos por sistemas mecânicos, hidráulicos, elétricos eeletrônicos;

• Do mesmo modo, são equipados com computadores de bordo que registramalém dos dados acumulativos de operação, como consumo de diesel noscaminhões e o encerrante nas bombas, registram também eventos de falhados sistemas mencionados;

• Esta similaridade técnica nos levar a ter certeza da viabilidade deste tipo deabordagem, e sustenta as expectativas de redução de custos, melhoriasoperacionais e aumento do retorno financeiros dos ativos.

Caminhão Fora-de-Estrada Bomba de Abastecimento

OnboardComputer

Sim Sim

#Sensores326* (Mecânica, Hidráulica,

Elétrica, Eletrônica, Operação)104** (Mecânica, Hidráulica,

Elétrica, Eletrônica, Operação)

#Eventos 200-300 ?

#Tendências +/- 15 ?

#Acumulativos +/- 25 ?

Data GatheringDownload, GPRS / EDGE,

WLANDownload, LAN

Ordens de Serviço

Criada e Gerida em Sistema de Manutenção

Criada e Gerida em Sistema de Manutenção

Histórico de Manutenção

Registrado em Sistema de Manutenção

Registrado em Sistema de Manutenção

(*) Caterpillar 793C/D(**) Como informado pela Wayne



O espaço de monitoramento preditivo de equipamentos é cada vez mais ocupado por grandes players, fornecedores de software, e companhiasindependentes. Abaixo alguns players e seus slogans.

“Machines don’t have tobreak”“Put your data to work”

“Boost equipment reliabilitywith IoT-enabled predictivemaintenance”

“Combining assets, data, analytics, and applications to transform industrial operations”

“Prevent asset failure, detect quality issues and improve operational processes”

“minimizing production downtime with predictive maintenance”

“Komatsu and GE to offer ‘big-data’ analysis for mining customers”

“Real-time asset monitoring and early anomaly detection”

Ferramentas Digitais e Competitividade – SimuladoresY-Knot


Simuladores

Análise de Falhas


Conclusão



Os simuladores são ferramentas poderosas para a avaliação prévia da melhor opção de equipamentos em diversas áreas.

Na área de mineração, onde particularmente os equipamentos tem um alto valor unitário, a simulação de operações de forma digital pode gerar grandeseconomias nos investimentos de implantação e/ou ampliação de uma mina.

Os simuladores também podem servir como ferramenta para acompanhamento da operação e manutenção dos sites, possibilitando a execução de testes denovos equipamentos, alterações da política de manutenção, e avaliação de alternativas para mudanças na operação, sempre de forma rápida e sem custos.Um bom simulador deve gerar uma representação acurada da realidade, e deve poder de alterar de forma simples os parâmetros aplicados, facilitando aanálises de diversas opções e variações rapidamente.

CargaCarregado

Subida

Carregado

PlanoDescarga

Vazio

Plano

Vazio

Descida

Tabelas de Preço

TCO (Resultados Contabil, Financeiro e Economicos)

Indicadores Operacionais

Simulação

Ou qualquer outro perfil de mina

As principais aplicações de uma simulação em mineração são:• Garantir a melhor escolha entre comprar, alugar ou financiar caminhões;• Possibilitar a seleção correta de modelo, tamanho e tecnologia do caminhão;• Avaliar diferente estratégias para implementos e pneus, e selecionar o melhor

programa de manutenção para cada operação;• Gerenciar o desempenho de fornecedores comparando dados reais contra

contratados;• Simular custo e performance de diversos modelos e marcas de caminhão em

suas minas, ao invés de dispender capex em testes onerosos e demorados;• Definir metas de produção, bem como efetuar um cálculo preciso dos

recursos necessários para cada nível de produção;• Orçar os montantes de capex e opex de acordo com as necessidades

operacionais, com alto grau de precisão e robustez para projetos;• Efetuar análise de sensibilidade com as principais variáveis, verificando seu

impacto nos valores e custos de operação;• Efetuar uma variação de parâmetros operacionais para atingir metas de

produção, custos, e dimensionamento de frota.

Com as tecnologias atuais, disponíveis de forma ampla e a baixo custo, é possívelconstruir simuladores que sejam fáceis de usar, mas mesmo assim mantenham umelevado nível de acuracidade;

A possibilidade de utilização de dados de georreferenciamento, processamento emnuvem, e a utilização de browsers como clientes para acesso faz com que um sistemapossa desenvolvido de forma a estar acessível em qualquer aparelho conectado ainternet, sem necessidade de instalação de softwares, ou a necessidade de altacapacidade de processamento local;

Na área de mineração possuímos um aplicativo que pode simular uma operação detransporte customizada funcionando da seguinte forma:



Dados

Caminhão

Operação

Site

Oficina

Carga

Viagem

Descarga

Viagem

L&P

Ind. Oper.

VPL

Simulação Valoração

Cenários de ArmazenamentoRelatórios & Análises

• Cada modelo de caminhão é representado por um conjunto de algoritmos, já pré-carregados no simulador;

• Cada operação é traduzida para um algoritmo através de parâmetros simples quedescrevem suas condições operacionais;

• As rotas de transporte podem ser adicionadas ao modelo de várias maneiras:• Através da entrada de distâncias e inclinações;• Através do upload de arquivos topográficos disponíveis;• Desenhando as rotas no Google EarthTM, e exportando no formato KML;

• Os algoritmos emulam o comportamento de cada caminhão baseados em suascaracterísticas, interagindo com os algoritmos das operações e rotas;

• Diferentes caminhões podem ser simulados lado a lado, e seus resultados podemser comparados ao executar a mesmas tarefas em uma mesma operação;

• A operação pode ser uma mina existente, um alvo de aquisição, um projeto derecuperação, ou um projeto greenfield / brownfield;

• As condições podem ser reais ou planejadas para o futuro da exploração.

A independência dos fabricantes de equipamentos é muito importante para uma ferramenta de simulação, visto que sua isenção em relação às diversasmarcas e modelos disponíveis no mercado gera uma imparcialidade, simplificando discussões relativas aos resultados;

Todos os dados utilizados para a modelagem dos equipamentos devem ser obtidos a partir de informações públicas, tornado a modelagem isenta de qualquerviés. Tanto os dados utilizados como as premissas e hipóteses, devem sempre estar disponíveis de forma clara e acessível;

Com o uso de ferramentas isentas, as discussões sobre resultados saem do campo de preferencias e crenças pessoais para fatos tangíveis, premissas, ehipóteses, todos claros para todas as partes. As discussões e negociações passam a se concentrar em variações dos parâmetros, e não em questionamentossobre formas de cálculo ou fatores de ajuste;

Com a possibilidade de exercitar diferentes estratégias, e obter os resultados de cada uma delas de uma forma estruturada e fundamentada, mesmo decisõesaparentemente contraditórias podem ser explicadas e consideradas racionais, uma vez que a obtenção dos resultados esperados é fruto de uma simulaçãocoerente e acurada;

Informação é o melhor insumo para produção de decisões melhores, e neste sentido, toda ferramenta que antecipadamente conseguir prever uma operação eseus custos vai gerar uma grande vantagem competitiva a empresa que corretamente incorporar as mesmas em sues processos decisórios.



x

Ferramentas Digitais e Competitividade – Análise de FalhasY-Knot


Simuladores

Análise de Falhas


Conclusão



O transporte ferroviário é o mais eficientes para itens de alto volume ou grande peso, contribuindo de formaefetiva para reduzir o custo de transporte, tráfego e emissões atmosféricas. Para garantia de sua efetividade, Omonitoramento da infraestrutura ferroviária é uma tarefa fundamental;

A predição de falhas nos trilhos é uma parte importante na garantia da segurança dos passageiros, usuários ecomunidades vizinhas as linhas férreas;

Além dos riscos à segurança, falhas nos trilhos podem causar interrupções no transporte e prejuízos materiaisde alto valor, tanto para as operadoras como para os usuários do serviço;

As técnicas mais comuns de para monitoramento de trilhos são o monitoramento por vídeo e o monitoramentopor ultrassom. Ambas as técnicas geram uma grande quantidade de imagens georreferenciadas. Com autilização de qualquer um dos dois métodos de forma regular é possível a criação de uma base de dados onde aaplicação dos conceitos de big data e machine learning pode gerar resultados interessantes;

Com base no paper abaixo descreveremos um pouco sobre as possibilidades de analise e seus resultados:

Ali Jamshidi, Shahrzad Faghih-Roohi, Siamak Hajizadeh, Alfredo Nunez, Robert Babuska, Rolf Dollevoet,Zili Li, and Bart De Schutter,“A Big Data Analysis Approach for Rail Failure Risk Assessment”Risk Analysis, Vol. 37, No. 8, 2017, DOI: 10.1111/risa.12836

Monitoramento por Ultrassom

Monitoramento por Video



Hoje com a disponibilidade de equipamentos que podem ser adaptados a locomotivas e vagões, tornou-se simples a obtenção de grandes volumes de dadosde imagem (vídeo ou ultrassom) com uma certa regularidade;

O volume de dados a ser analisados torna o trabalho puramente humano impossível, tornando este tipo de data pool um candidato excelente para a aplicaçãode técnicas de analise automatizadas;

O uso de redes neurais convolucionais para o processamento de imagens e detecção de defeitos, aliada a uma modelagem de crescimento de defeitos e ummodelo de risco de quebra conseguem de maneira efetiva minimizar o risco de falhas e, consequentemente, baixar o custo de operação da ferrovia;

Para implementação do modelo deve-se criar iniciar com a classificação dos defeitos que se deseja identificar, definir os graus de sua severidade, e associar asações necessárias em função da mesma, que podem ser desde um simples lixamento da área afetada até a recomendação da troca dos trilhos;

As etapas de montagem do modelo podem ser vistas na figura ao lado e estão descritas de formasimplificada abaixo:

• Organizar os dados disponíveis em um data pool que será acessado pelo modelo;• Criar os filtros (neurônios) em sequencia, que serão responsáveis por mapear os defeitos e suas

características;• Gerar um conjunto de dados de imagens já analisadas manualmente por tipo e severidade, para servir

de banco de treinamento;• Avaliar as melhores técnicas que impeçam o “overfitting” do modelo, tornado o mesmo preciso apenas

no banco de treino;• Repetir o processo de treino algumas vezes até o erro atingir um percentual de assertividade aceitável.

Para se ter um ideia do volume de dados, uma ferrovia de 6.500km monitorada bimestralmente gera maisde 10 TB de dados por ano, onde cada 16km geram 4Gb de dados por passada.



Um teste da aplicação destas técnicas de identificação de defeitos através da análise das filmagens dos trilhos foi executado num trecho da Dutch Railway,onde o modelo foi treinado para localizar um defeito específico chamado de “squat”;

O squat é um afundamento na parte superior do trilho que pode ser causado por vários fatores. Alguns exemplos de causas são a fadiga do material, rodasdefeituosas, materiais prensados entre a roda e o trilho, ou problemas na infraestrutura. Este afundamento, se não tratado, pode gerar uma fratura, e nolimite, causar o rompimento do trilho. O rompimento de um trilho é uma das piores falhas de uma ferrovia, podendo causar desde uma interrupção da via atéo seu reparo, como o descarrilhamento de um trem. Abaixo temos três fotos de squats de diferentes severidades que foram usadas como parâmetros para aanálise;

No paper o processo de desenvolvimento do modelo e sua matemática são descritos de forma detalhada. Seguem alguns highlights do mesmo:

• Para treinar o modelo foram usados 300.000 quadros, correspondendo a 4.220 pontos, de duas medições consecutivas;• 3.170 pontos eram trilhos normais, e 1.050 eram defeitos;• A modelagem dos filtros utilizados está apresentada abaixo, onde pode-se ver a redução da imagem à parâmetros indicativos da saúde do trilho;• Através das sucessivas reduções, cada frame tem características únicas identificadas, e é classificado como normal, seed squat (defeito leve) ou squat;• O treinamento utilizou 40 horas para avaliar 1.500 exemplos de pontos e classificar os defeitos, quando encontrados;• O modelo depois de treinado recebeu os demais dados para localização de defeitos.

Após o treino, o modelo conseguiu analisar 30.000 frames por minuto, tornado a sua utilização simples e efetiva. A acurácia de detecção de falhas pelomodelo treinado atingiu na amostra avaliada uma assertividade de 96,9% (normal x defeito).

Filtros aplicadosExemplo de severidade dos defeitos

Ferramentas Digitais e Competitividade – ConclusãoY-Knot


Simuladores

Análise de Falhas


Conclusão

Ferramentas Digitais e Competitividade – Conclusão

Conclusões:

• Hoje existe uma grande variedade de ferramentas digitais que podem aumentar a competitividade das empresas;

• As ferramentas podem ajudar na escolha de equipamentos, avaliar a melhor forma de aquisição, baixar os custos de manutenção ou prolongar a vida de ativos e evitar acidentes e falhas aumentando a segurança;

• Todas as ferramentas tem em comum alguns pontos importantes para sua efetividade:

• Modelagem teórica cuidadosa e de boa qualidade, garantindo aderência ao problema;• Regularidade na obtenção dos dados, em quantidade e diversidade suficiente;• Garantia de qualidade dos dados e de seu armazenamento;• Disponibilidade de pessoas focadas na utilização das ferramentas de forma a capturar os possíveis ganhos;

• Qualquer falha nos itens acima torna as ferramentas ineficientes, e apenas mais um custo para a empresa.

Perguntas?

Y-Knot


Y-Knot – Quem somos?

Y-Knot é uma resposta a novas demandas do mercado.

Diferentemente das Consultorias tradicionais, a Y-Knot tem um perfil trouble-shooter marcado pelo foco nasolução de problemas.

Não temos o propósito de tentar responder às suas necessidades apenas com apresentações e benchmarks.

Existimos para responder às suas necessidades com soluções inovadoras e efetivas, dando a seu time osinstrumentos adequados para a resolução do problema.

Se o problema for recorrente, embarcamos know-how e tecnologia através de nossos Apps de Suporte à Decisão,habilitando seu time a fazê-lo por si mesmo a longo prazo.

Nossas áreas de expertise são: Visite nossos sites:• Big Data & Analytics• Risk Management• Strategy Formulation• Franchising• Procurement• Modelos de Otimização

Y-Knot

www.pratcomining.com

www.y-knot-ps.com

Fale conosco:

Rodolfo FredericoMarketing & [email protected]+55 (21) 97188-3155

Luís Otávio AlmeidaPlanning & [email protected]+55 (21) 97625-6564

Alexandre LyraEngineering & [email protected]+55 (21) 98823-0388

Y-Knot | Problem Solving

Av. Almirante Júlio de Sá Bierrenbach, 65 - B3/504 Universe Empresarial – Barra da Tijuca

Rio de Janeiro – RJ – CEP 22775-028

http://www.pratcomining.com/

http://www.y-knot-ps.com/

monitoramento de condições simuladores análise de falhas

Documents