Sistema para Previsão de Falhas e Manutenção Preditiva de Elevadores com Aprendizagem de Máquinas

Resumo

Atualmente, o tempo de inatividade não planejado causado por uma estratégia de manutenção ineficiente reduz a capacidade produtiva geral de uma planta em até 20% e custa cerca de 50 bilhões de dólares ao ano (Coleman et al., 2017). Diante disso, o conceito de Manutenção Preditiva de máquinas é um assunto de elevado interesse para a indústria, uma que vez tem como objetivo prever a necessidade que uma máquina terá de receber ajustes e consertos antes que essa venha a falhar, causando prejuízos e perdas na produção, além de minimizar ônus com trocas antecipadas de peças e paradas regulares na produção, como ocorre na Manutenção Preventiva. Com o uso de princípios de Manutenção Preditiva, a administração é capaz de gerenciar o horário e a forma de como a manutenção será efetuada, além de realizar a solicitação antecipada das peças, reduzindo o tempo de parada, e até mesmo aumentar a vida útil da máquina por evitar sobrecarga de peças devido a alguma falha não identificada (Lee et al., 2019). Nos dias atuais, as fábricas dispõem de uma ampla gama de sensores com o intuito de monitorar variáveis de produção e o funcionamento dos equipamentos, mas que, por sua vez, não são hábeis a trazer para a equipe de engenheiros informações claras sobre problemas de funcionamento ou desgaste. Uma maneira de analisar esses dados complexos e realizar a previsão de falhas é com o uso de técnicas de aprendizagem de máquina capazes de reconhecer padrões e mudanças no comportamento das máquinas (Klein & Bergmann, 2019), o que pode ter ainda mais alcance usando de Internet of Things (IoT) para sensoriamento e coleta de dados. Esse arranjo evidencia um novo conceito de manufatura, que é a Indústria 4.0, na qual a Manutenção Preditiva e inteligente tem um papel de destaque (Carlson & Sakao, 2020). Um problema comum, não somente em ambientes industriais, mas também comerciais e residenciais é a quebra de elevadores, causando transtorno na produção de bens e serviços. Até o momento atual pouco se tem falado sobre a Manutenção Preditiva e inteligente de elevadores, por isso, o presente trabalho propõe um sistema inteligente composto de algoritmos de aprendizagem de máquina para identificar padrões de comportamento em elevadores, realizando a previsão de falhas e auxiliando no processo de manutenção. A fim de treinar o algoritmo, foram simulados dados de medição da velocidade instantânea para 4 diferentes formas de funcionamento de um elevador de edifício em um intervalo definido de andares durante o deslocamento, sendo essas: sem falha; falha na aceleração/desaceleração; falha na velocidade máxima e vibração incomum durante o deslocamento. Os dados simulados foram usados para treinar uma rede neural artificial. Uma vez treinada, a rede é capaz de indicar para a equipe de manutenção qual a probabilidade de um elevador está trabalhando em funcionamento normal, com problemas de aceleração/desaceleração, possível dificuldade no alcance da velocidade máxima ou vibração excessiva, cada um desses estados pode implicar em um conjunto diferente de causas. Uma vez indicada a possível falha, esse resultado pode auxiliar no processo gerencial, como um sistema de suporte à decisão, ajudando a direcionar a análise inicial dos engenheiros. Enquanto que um resultado indicando elevada probabilidade para uma dada falha pode servir como medida de urgência para intervenção da equipe de manutenção. O sistema proposto agora deve ser validado em elevadores reais.