A manutenção preditiva é o conjunto de ações que podem podem ser aplicadas em maquinas e equipamentos para prever a fadiga ou quebra de componentes e peças.

MANUTENÇÃO PREDITIVA: Técnicas de manutenção preditiva são projetadas para ajudar a determinar a condição do equipamento em serviço para estimar quando a manutenção deve ser realizada.

A manutenção preditiva eficiente e prática está baseada na coleta de dados válidos e relevantes. Desta forma as paradas não programadas ficam cada vez mais raras e o impacto na produtividade é muito positivo.

Apesar da infinidade de idéias e abordagens para implementar a manutenção preventiva na linha de produção das empresas, o nível de falha ainda é muito grande.

O desafio dos gestores e responsáveis pela manutenção consiste principalmente em acessar os dados que possam apontar uma falha e processá-los de maneira que também possam ser usados.

Manutenção preditiva e a coleta de dados

Um exemplo prático é baseado na experiência da Audi que consegue fazer a coleta de dados combinando PROFINET e OPC UA  do inglês Open Platform Communications Unified Architecture ou plataforma de comunicação aberta de arquitetura unificada.

O assunto “manutenção preditiva” é bem popular, o que ocorre é que muitos profissionais tem dificuldades na implantação devido a dificuldade de acesso aos dados necessários.

Mathias Mayer, da Audi Neckarsulm, passou por esta situação. Mathias afirma que “90% dos dados na construção da carroceria não são usados ​​ou acessados”. Isso geralmente resultava na necessidade de um sensor industrial adicional. Esse não é o caminho que Mayer decidiu seguir. Muito pelo contrário, ele pensou: “Vamos processar os dados não utilizados primeiro. Se um sensor adicional realmente for necessário, eu certamente estaria disposto a falar sobre isso. ”

Para Mayer, a utilização correta dos dados disponíveis, é o requisito mais importante para reduzir os tempos de parada da linha de produção e trabalhar com mais eficiência.

A complexidade dos processos de produção e o grau de automação continuarão aumentando no futuro próximo, a coleta e processamento de dados será cada vez mais crucial.

Manutenção preditiva na linha de montagem da AUDI - parada de maquinas

Por que a coleta de dados é tão difícil?

A observação da linha de montagem da carroceria dos veículos na planta da AUDO em Neckarsulm demonstra essa dificuldade. é nesta planta que cerca de 2.500 robôs fazem a montagem dos modelos  A4, A6, A7, A8, R8 e A5 Cabrio

Cada robô é controlado por um sistema individual e controlado através de um CLP. “Nós sempre vemos o PLC como um mestre de marionetes que faz até dez robôs dançarem”, disse Mayer ao descrever a situação no setor. A criação de valor real ocorre no robô, e é por isso que o acesso aos dados do robô é tão imensamente importante.

O grande número de plantas envolvidas, os vários métodos de produção utilizados também dificultam o acesso e a avaliação dos dados. Por exemplo, a redução de peso e a durabilidade máxima só podem ser alcançadas com a combinação de diferentes materiais. Isso implica o uso de uma variedade de diferentes tecnologias de conexão.

Uma infinidade de tecnologias de união é usada apenas para o novo A8, variando de uma variedade muito ampla de processos de soldagem, de colagem a rebitagem – ao todo, 15 processos diferentes precisam ser coordenados. Se a produção falhar, são necessários especialistas em cada um desses processos individuais. Isso acaba sendo muito caro e demorado quando você considera a produção em três turnos, pois um grande número de funcionários precisaria ser treinado e qualificado.

Novos caminhos

Para Mayer, desviar-se de processos testados e comprovados está fora de questão. “Nosso processo de qualificação é definitivamente caro e demorado, mas nossos clientes esperam alta qualidade.” Ter funcionários diferentes simplesmente examinando algo pode produzir resultados diferentes – em contraste com os dados, que são sempre os mesmos. “São precisamente esses dados que precisamos usar para otimizar a produção e os processos”, disse Mayer com convicção.

Para isso, os dados do processo precisam ser processados ​​de forma que mesmo um “não especialista” possa iniciar um processo de soldagem por fricção novamente, por exemplo. Assim, as paradas não planejadas do sistema de produção devem ser reduzidas e a disponibilidade, a eficiência e a qualidade do processo aumentadas, por exemplo, através do monitoramento em tempo real do sistema e da adaptação automática dos parâmetros do processo. Métodos anteriores de monitoramento e otimização de processos baseados em conhecimento especializado devem ser mantidos por lá. Por fim, isso reduzirá os custos de manutenção e minimizará os esforços de teste.

Implementação em aplicações práticas

Na cadeia de processos do futuro para a construção da carroceria dos veículos, os dados correspondentes dos dispositivos serão coletados, integrados e visualizados diretamente – sem gateways adicionais, pois os robôs têm capacidade suficiente. No final, há um funcionário que entende o processo e pode intervir, se necessário. Na opinião de Mayer, essa divisão do trabalho é a chave do sucesso. É apenas com base nisso que a mineração de dados e o aprendizado de máquina podem ser implementados com sucesso.

Na arquitetura Audi, o OPC UA e o MQTT são usados ​​como meio de transporte de dados, que é roteado para uma camada de borda sobre a qual está localizada uma plataforma de big data. Aplicativos como análise de diagnóstico para monitoramento de condições e análise preditiva para manutenção baseada em condições podem ser colocados em cima disso.

Esse caminho também é definido na especificação complementar PROFINET OPC UA, cujo conteúdo essencial inclui a coleta e apresentação de dados de diagnóstico e gerenciamento de ativos. Para esse fim, os dados de ativos e diagnóstico dos dispositivos empregados hoje são coletados em um controlador de sistema através dos serviços PROFINET existentes e entregues em instâncias de nível superior por meio do OPC UA.

A abertura do PROFINET possibilita, por exemplo, adicionar sensores com uma interface OPC UA que envia seus dados diretamente para os serviços de nuvem correspondentes ou gateways de borda, sem a necessidade de reconstruir tediosamente a solução de automação. Isso possibilita a implementação de métodos de diagnóstico inovadores, mesmo em sistemas existentes.

Solução de ponta a ponta

É uma situação que também é conhecida na construção do corpo dos veículos. “Para nós, um robô é simplesmente um dispositivo subordinado do PLC. Gostaríamos de penetrar nos dados até o final, mas não queremos colocar uma rede separada “, disse Mayer, que imediatamente forneceu uma explicação pragmática. “Se você precisar conectar um cabo adicional a mais de 2.000 robôs, isso simplesmente não funciona. Não apenas isso, mas não usamos apenas um único fabricante de robôs. Dependendo da aplicação, contamos com vários fabricantes diferentes. ”

Além disso, o OPC UA não foi implementado por todos os fabricantes. Ainda faltam as tecnologias mais importantes na construção da carroceria, como solda a ponto, soldagem de pinos, colagem e rebitagem. Por outro lado, os fabricantes de robôs já estão um passo à frente, assim como os fabricantes de RFID. Mayer também vê o fato de que a Audi ainda não pediu isso como o motivo da contínua relutância. Isso será compensado nos próximos convites à apresentação de propostas.

Implementação prática do sistema de comunicação

Na implementação prática, uma coisa fica clara: em aplicações onde uma combinação de PROFINET e OPC UA já foi introduzida, as vantagens rapidamente entraram em vigor. Um bom exemplo no local da Audi em Neckarsulm é o sistema de medição em linha para a alimentação de rebites através de uma mangueira altamente flexível da área de enchimento até a ferramenta de rebitagem em um braço de robô.

O desafio aqui reside na velocidade de fechamento do rebite, que é relativamente alta a 20 metros por segundo. A mangueira deve ser substituída em algum momento entre os rebites 500.000 e 1 milhão. Agora, a mangueira não precisa mais ser substituída durante a produção, mas em um momento mais conveniente, pois o processo precisa ser interrompido por 20 a 30 minutos para cada troca. A equipe criou uma análise de séries temporais para detectar o desgaste na mangueira de alimentação do rebite.

A implementação foi relativamente fácil – mais ar flui através da mangueira assim que surgem os menores pontos porosos. Esses resultados são registrados, encaminhados para o PROFINET via OPC UA ao mesmo tempo e visualizados. Agora, todos os funcionários têm a capacidade de descobrir os eventos que ocorrem no nível mais baixo e agir mais rapidamente, mesmo sem um cabo adicional.

Mayer espera que as especificações sejam implementadas mais rapidamente pelos fabricantes de dispositivos no futuro. Ao mesmo tempo, ele também lembra aos usuários que eles também não devem esperar muito. “Se você deseja obter benefícios na produção, precisa se envolver com esse assunto desde o início. Na minha perspectiva, a Indústria 4.0 já chegou à prática há um tempo. Tudo o que precisamos fazer agora é implementá-lo. ”