Otimização da manutenção preventiva e disponibilidade de ativos

Melhore a manutenção de ativos com insights em tempo real

A manutenção preditiva é um componente chave da Indústria 4.0. Estratégias de manutenção inadequadas podem afetar substancialmente a eficiência operacional e a lucratividade dos fabricantes industriais. Para serem competitivas, as empresas em indústrias com uso intensivo de ativos precisam minimizar o tempo de inatividade não planejado e otimizar os custos de manutenção.

• 82% das empresas tiveram paralisações não planejadas nos últimos três anos, custando até US$ 260.000 por hora, com interrupções durando em média quatro horas.
• Para organizações com uso intensivo de ativos, a maturidade das suas práticas de manutenção é um fator determinante da capacidade de operar de forma confiável, sem interrupção e lucrativa. A melhoria das práticas, processos e sistemas de manutenção pode proporcionar um grande retorno sobre o investimento.
• As organizações podem usar análises preditivas para prever falhas de ativos e vida útil confiável e gerar insights acionáveis em tempo real.

Para o setor de manufatura, o uso de dados para permitir e melhorar a manutenção preditiva é particularmente relevante, pois o caso de uso pode ser aplicado a qualquer tipo de sistema de produção de manufatura, como infraestrutura de controle numérico computadorizado (Computerized Numerical Control, CNC), cadeia de suprimentos e sistemas de depósito, logística e teste sistemas, e assim por diante.

Embora uma ampla variedade de fontes de dados possa ser usada dependendo da aplicação específica, as soluções para mudar da manutenção reativa para a preditiva são os fluxos de dados da Internet das Coisas (IoT) ou as mensagens máquina a máquina (M2M) enviadas e recebidas por meio de um MQTT (o padrão de mensagens IoT) ou fornecidas por historiadores de sistemas de inteligência operacional. Essas são as fontes dos dados brutos exigidos para avaliar se as operações de manutenção são necessárias; no entanto, dados de outras fontes são solicitados para estabelecer um sistema de manutenção preditiva adequado. Por exemplo, os sistemas de gerenciamento de manutenção contêm informações sobre os próprios equipamentos, como relatórios de manutenção. Outras fontes de dados incluem sistemas de controle de supervisão e aquisição de dados (Supervisory Control and Data Acquisition, SCADA), um repositório especial contendo arquivos de mídia (como imagens e transmissões de vídeo), manuais de manutenção e previsões de tempo. A variedade de dados que podem ser usados na manutenção preditiva é vasta.

Reduza custos e melhore a eficiência ao ajustar a manutenção preditiva

A arquitetura apresentada aqui demonstra como os componentes recomendados da Oracle podem ser combinados para criar uma arquitetura de análise completa que abrange todo o ciclo de vida da análise de dados, desde a descoberta até a ação e a medição, e oferece a ampla variedade de benefícios descritos acima.

A imagem mostra como a Oracle Data Platform para manufatura pode ser usada para dar suporte à manutenção preditiva e à otimização da disponibilidade de ativos. A plataforma inclui os seguintes cinco pilares:

• Fontes de Dados, Descoberta
• Ingestão, Transformação
• Persistência, Curadoria, Criação
• Análise, Aprendizado, Predição
• Medição, Ação

O pilar Fontes de Dados, Descoberta inclui duas categorias de dados.

Os dados de registro de negócios compreendem dados de MES, WHM, CMM (manutenção e gerenciamento de ativos), IoT, sistemas SCADA e entrada de historiadores e operadores (incluindo falhas, qualidade e observações).

Os dados técnicos de entrada incluem IoT, imagens, email, vídeos, documentação em papel (OCR) e eventos discretos (como uma parada de emergência da linha de produção).

O pilar Ingestão, Transformação abrange quatro recursos.

A ingestão em massa usa OCI Data Integration, Oracle Data Integrator e ferramentas de banco de dados.

A transferência em massa usa OCI FastConnect, OCI Data Transfer, MFT e OCI CLI.

A captura de dados alterados usa o OCI GoldenGate.

A ingestão de streaming usa o Kafka Connect.

Todos os quatro recursos se conectam unidirecionalmente ao armazenamento de dados de serviço, armazenamento de dados transacionais e armazenamento em nuvem no pilar Persistência, Curadoria, Criação.

Além disso, a ingestão de streaming está conectada ao processamento de stream no pilar Análise, Aprendizado, Previsão.

O pilar Persistência, Curadoria, Criação abrange cinco recursos.

O armazenamento de dados de serviço usa Autonomous Data Warehouse e Exadata Cloud Service.

O armazenamento de dados transacionais usa ATP, MySQL, Oracle NoSQL e Exadata Cloud Service.

O armazenamento em nuvem usa OCI Object Storage.

O processamento em lote usa OCI Data Flow.

A governança usa OCI Data Catalog.

Esses recursos estão conectados no pilar. O armazenamento em nuvem é conectado unidirecionalmente ao armazenamento de dados de serviço e ao armazenamento de dados transacionais; e também é conectado bidirecionalmente ao processamento em lote.

Dois recursos se conectam ao pilar Análise, Aprendizado, Previsão. O armazenamento de dados de serviço se conecta ao recurso de análise e visualização e também ao recurso de produtos de dados e APIs. O armazenamento em nuvem se conecta ao recurso de machine learning.

O pilar Análise, Aprendizado, Previsão abrange cinco recursos.

Análises e visualização usam Oracle Analytics Cloud, GraphStudio e ISVs.

Produtos de dados e APIs usam OCI API Gateway e OCI Functions.

Machine learning usa OCI Data Science e Oracle Machine Learning.

Os serviços de IA usam OCI Anomaly Detection, OCI Forecasting, OCI Language e OCI Vision.

O processamento de streaming usa GoldenGate Stream Analytics e análises de stream de terceiros.

O pilar Medição, Ação captura como a análise de dados pode ser usada: por pessoas e parceiros, bem como aplicações e modelos e, especificamente, para atualizar modelos de serviço de IA.

Pessoas e parceiros incluem Monitoramento de Condições e Análise de Dados de Sensor, Modo de Falha e Análise de Efeitos (FMEA).

As aplicações incluem Gerenciamento de Desempenho de Ativos (APM), Análise de Causa Raiz, Manutenção Centrada em Confiabilidade (RCM).

Modelos incluem Modelo de Serviço de IA Atualizado, Análise Preditiva e Modelos de Machine Learning

Os três pilares centrais—Ingestão, Transformação; Persistência, Curadoria, Criação; e Análise, Aprendizado, Previsão — têm suporte de infraestrutura, rede, segurança e IAM.

Conecte, ingira e transforme dados

Nossa solução é composta por três pilares, cada um suportando recursos específicos da plataforma de dados. O primeiro pilar fornece a capacidade de conectar, ingerir e transformar dados.

Existem quatro maneiras principais de injetar dados em uma arquitetura para permitir que as organizações de manufatura passem da manutenção reativa para a preditiva.

• Para iniciar nosso processo, habilitaremos a transferência em massa de dados de transações operacionais. Os serviços de transferência em massa são usados em situações em que grandes volumes de dados precisam ser movidos para a Oracle Cloud Infrastructure (OCI) pela primeira vez, por exemplo, dados de repositórios analíticos on-premises existentes ou outras fontes de nuvem. O serviço específico de transferência em massa usado dependerá da localização dos dados e da frequência da transferência. Por exemplo, os serviços OCI Data Transfer ou o OCI Data Transfer Appliance podem ser usados para carregar um grande volume de dados locais do planejamento histórico ou de repositórios de data warehouse. Quando grandes volumes de dados devem ser movidos continuamente, recomendamos o uso do OCI FastConnect, que fornece uma conexão de rede privada dedicada de alta largura de banda entre o data center de um cliente e a OCI.
• Extrações frequentes em tempo real ou quase são normalmente necessárias, e os dados são ingeridos regularmente a partir de sistemas de gerenciamento de armazém, agendamento e gerenciamento de pedidos usando o OCI GoldenGate. O OCI GoldenGate usa a captura de alteração de dados para detectar eventos de alteração na estrutura subjacente dos sistemas que precisam de manutenção (por exemplo, a adição de um novo componente, operações de manutenção concluídas, alterações no clima e assim por diante) e envia os dados em tempo real para uma camada de persistência e/ou de streaming.
• Para empresas de manufatura, a análise de dados em tempo real de várias fontes pode ajudar a fornecer informações valiosas sobre sua eficiência operacional e desempenho geral. Nesse caso de uso, usamos ingestão de streaming para inserir todos os dados lidos de sensores por meio de IoT, comunicações M2M e outros meios. A capacidade de capturar e analisar fluxos de dados em tempo real é fundamental para um fabricante realizar manutenção preditiva em seus ativos. Os fluxos podem se originar de vários sistemas ISA-95 Nível 2, como sistemas SCADA, controles lógicos programáveis e sistemas de automação em lote. Os dados (eventos) serão ingeridos e algumas transformações/agregações básicas ocorrerão antes de serem armazenados no OCI Object Storage. Análises de streaming adicionais podem ser usadas para identificar eventos correlacionados e quaisquer padrões identificados podem ser realimentados (manualmente) para uma verificação de ciência de dados dos dados brutos.
• Para analisar esses dados de streaming de alta frequência em tempo real, usaremos o processamento de streaming para fornecer análises avançadas. Enquanto as ferramentas de análise tradicionais extraem informações de dados em repouso, a análise de streaming avalia o valor dos dados em trânsito, ou seja, em tempo real. E esse não é o único benefício. Como a análise de streaming pode ser altamente automatizada, ela pode ajudar os fabricantes a reduzir os custos operacionais. Por exemplo, a análise de streaming pode fornecer dados em tempo real sobre custos básicos de serviços públicos, como eletricidade e água. As fábricas podem então usar uma ferramenta automatizada de análise de streaming para acessar informações instantâneas sobre áreas que podem ser otimizadas para reduzir os custos de energia e responder adequadamente a determinados eventos operacionais usando inteligência artificial. A análise de streaming também pode fazer previsões em tempo real sobre os próximos requisitos de manutenção de equipamentos, ajudando as empresas a se prepararem com antecedência para quaisquer reparos futuros ou manutenção de rotina.
• Um componente opcional potencialmente importante da arquitetura é a OCI Roving Edge Infrastructure, que pode ser usada com Oracle Roving Edge Devices em instalações remotas, como uma usina de energia ou um campo de painéis solares. A OCI Roving Edge Infrastructure oferece todos os serviços da OCI para que possa replicar uma arquitetura de manutenção preditiva. A OCI Roving Edge Infrastructure também pode ser usada como um hub para streaming de dados antes de serem alimentados para ingestão/processamento de streaming na nuvem.
• Embora as necessidades em tempo real estejam evoluindo, a extração mais comum dos sistemas de ERP, planejamento, gerenciamento de armazéns e gerenciamento de transporte é algum tipo de ingestão em lote usando um processo ETL. A ingestão em lote é usada para importar dados de sistemas que não suportam streaming de dados (por exemplo, SCADA mais antigo ou sistemas de gerenciamento de manutenção). Essas extrações podem ser ingeridas com frequência, a cada 10 ou 15 minutos, mas ainda são de natureza 'em lote', pois grupos de transações são extraídos e processados, em vez de transações individuais. A OCI oferece diferentes serviços para lidar com a ingestão em lote, como o serviço OCI Data Integration nativo e o Oracle Data Integrator em execução em uma instância do OCI Compute. A escolha do serviço seria baseada principalmente na preferência do cliente e não nos requisitos técnicos.

Persista, processe e trate os dados

A persistência e o processamento de dados são baseados em três (opcionalmente quatro) componentes. Alguns clientes usarão todos eles, outros, um subconjunto. Dependendo dos volumes e tipos de dados, os dados podem ser carregados no armazenamento de objetos ou carregados diretamente em um banco de dados relacional estruturado para armazenamento persistente. Quando antecipamos a aplicação de recursos de ciência de dados, os dados recuperados de fontes em sua forma bruta (como um arquivo ou extrato nativo não processado) são normalmente capturados e carregados de sistemas transacionais para o armazenamento na nuvem.

• O armazenamento na nuvem é a camada de persistência de dados mais comum para nossa plataforma. Pode ser usado para dados estruturados e não estruturados. OCI Object Storage, OCI Data Flow e Oracle Autonomous Data Warehouse são os blocos fundamentais. Os dados recuperados de fontes em seu formato bruto são capturados e carregados no OCI Object Storage. O OCI Object Storage é a camada primária de persistência de dados e o Spark no OCI Data Flow é o principal mecanismo de processamento em lote. O processamento em lote envolve várias atividades, incluindo tratamento básico de ruído, gerenciamento de dados ausentes e filtragem com base em conjuntos de dados de saída definidos. Os resultados são gravados em várias camadas de armazenamento de objetos ou em um repositório relacional persistente com base no processamento necessário e nos tipos de dados usados.
• Todos os tipos de dados armazenados em formatos brutos e processados são mantidos em um armazenamento de dados transacionais. Um banco de dados Oracle, como o Oracle Autonomous Database, funciona de forma eficiente para todos os casos de uso, mas alguns clientes podem pensar que alguns dados seriam melhor armazenados em um banco de dados NoSQL. No entanto, isso não é necessariamente verdade - um banco de dados Oracle otimizado sobre o Exadata será mais rápido do que um banco de dados NoSQL para writes - e, ao usar um banco de dados NoSQL, você perde os benefícios de ter todos os seus dados em um único repositório com uma visão unificada. Você também pode aproveitar as partições híbridas para manter apenas algumas delas no armazenamento do Exadata e o restante dos dados no armazenamento de objetos, pois a maioria dos painéis e análises operacionais usam os dados mais recentes.
• Agora usaremos um armazenamento de dados de serviço para manter nossos dados selecionados de forma otimizada para o desempenho da consulta. O armazenamento de dados de serviço fornece uma camada relacional persistente usada para proporcionar dados selecionados de alta qualidade diretamente aos usuários finais por meio de ferramentas baseadas em SQL. Nessa solução, o Oracle Autonomous Data Warehouse é instanciado como o armazenamento de dados de serviço para o data warehouse corporativo e, se necessário, data marts de nível de domínio mais especializados. Também pode ser a fonte de dados para projetos de ciência de dados ou o repositório necessário para o Oracle Machine Learning. O armazenamento de dados de serviço pode assumir uma de várias formas, incluindo Oracle MySQL HeatWave, Oracle Database Exadata Cloud Service ou Oracle Exadata Cloud@Customer.

Analise dados, preveja e aja

A capacidade de analisar, prever e agir é facilitada por três abordagens tecnológicas.

• Os recursos analíticos avançados são essenciais para a otimização da manutenção. Nesse caso de uso, contamos com a Oracle Analytics Cloud para fornecer análises e visualizações. Isso permite que a organização use análise descritiva (descreve as tendências atuais com histogramas e gráficos), análise preditiva (prevê eventos futuros, identifica tendências e determina a probabilidade de resultados incertos) e análise prescritiva (propõe ações adequadas, levando a uma tomada de decisão ideal).
• Além da análise avançada, cada vez mais a ciência de dados, o machine learning e a inteligência artificial são usados para procurar anomalias, prever onde podem ocorrer falhas e otimizar o processo de fornecimento. OCI Data Science, OCI AI Services ou Oracle Machine Learning podem ser usados nos bancos de dados. Usamos métodos de machine learning e ciência de dados para construir e treinar nossos modelos de manutenção preditiva. Esses modelos de machine learning podem ser implementados para pontuação por meio de APIs ou incorporados como parte do pipeline de análise de fluxo do GoldenGate. Em alguns casos, esses modelos podem até ser implementados no banco de dados usando a API REST do Oracle Machine Learning Services (para isso, o modelo precisa estar no formato Open Neural Network Exchange). Além disso, o OCI Data Science para notebooks centrados em Jupyter/Python ou Oracle Machine Learning para notebook Zeppelin e algoritmos de machine learning podem ser implementados no armazenamento de dados transacionais ou de serviço. Da mesma forma, Oracle Machine Learning e o OCI Data Science, sozinhos ou combinados, podem desenvolver modelos de recomendação/decisão. Esses modelos podem ser implementados como um serviço e podemos instalá-los por trás do OCI API Gateway para serem entregues como “produtos de dados” e serviços. Por fim, uma vez construídos, os modelos de machine learning podem ser implementados em aplicações que fazem parte de um sistema de controle distribuído (se permitido) ou na borda por meio de um Oracle Roving Edge Device ou similar.

Os vários modelos criados pela combinação da ciência de dados com os padrões identificados pelo machine learning podem ser aplicados a sistemas de resposta e decisão fornecidos por serviços de IA.

• O OCI Anomaly Detection pode ajudar a monitorar as métricas de desempenho da cadeia de suprimentos (por exemplo, estoque de matéria-prima, produção, trabalho em andamento, tempos de trânsito, rotatividade de estoque e assim por diante) em tempo real para identificar e resolver interrupções. Em uma cadeia de suprimentos complexa, a pontuação de gravidade das anomalias identificadas pode ajudar a priorizar as interrupções de negócios observadas para ação.
• O OCI Forecasting pode ajudar a prever as métricas da cadeia de suprimentos, como demanda, suprimento e capacidade de recursos, para que ações apropriadas possam ser tomadas para se preparar com antecedência.
• OCI Vision e OCI Language podem ajudar a entender documentos, como relatórios de qualidade e de defeitos de produtos, para enriquecer os dados da cadeia de suprimentos.

O componente final, porém crítico, é a governança de dados. Isso será fornecido pelo OCI Data Catalog, um serviço gratuito que facilita governança de dados e gerenciamento de metadados (para metadados técnicos e comerciais) para todas as fontes de dados no ecossistema da plataforma de dados. O OCI Data Catalog também é um componente crítico para consultas do Oracle Autonomous Data Warehouse ao OCI Object Storage, pois fornece uma maneira de localizar dados rapidamente, independentemente de seu método de armazenamento. Isso permite que usuários finais, desenvolvedores e cientistas de dados usem uma linguagem de acesso comum (SQL) em todos os armazenamentos de dados persistentes na arquitetura.

Use seus dados para melhorar as operações de manufatura e aumentar a lucratividade

Com a manutenção preditiva, os equipamentos recebem manutenção apenas quando precisam, reduzindo interrupções inesperadas. Isso oferece várias vantagens que incluem menos reparos ou substituições de manutenção programada, o uso de menos recursos de manutenção (incluindo peças sobressalentes e suprimentos) e, simultaneamente, menos falhas. Essas previsões proativas podem ajudar a prolongar a vida útil do equipamento, reduzindo o risco de possíveis atrasos do produto, minimizando as trocas de equipamentos e o tempo de inatividade associado.

Reduzir o tempo de inatividade não planejado ajuda a otimizar as operações de negócios, melhorando a eficiência, a produtividade e a velocidade e ajudando a garantir que a peça certa chegue ao lugar certo na hora certa. Enquanto isso, reduzir os custos de manutenção, mão de obra e materiais e otimizar os custos do ciclo de vida dos ativos aumenta a lucratividade.