Data Science e manutenção preventiva: a prevenção é a chave!

Problemas mecânicos podem parar linhas de produção durante horas, originando uma diminuição da produção e consequentemente, uma diminuição do lucro de toda a fábrica.

Com o surgimento da indústria 4.0 e das tecnologias de Internet of Things (IoT), nasceram novas soluções e desafios. Cada vez mais as máquinas estão ligadas à cloud, permitindo a recolha de dados sensoriais referentes ao estado das mesmas ao longo do tempo. E é esta recolha de dados dos sensores das máquinas que permite a utilização de algoritmos de Machine Learning. Estes algoritmos conseguem identificar qual o estado de degradação da máquina, de modo a otimizar o seu processo de manutenção.

Surge, assim, o conceito de manutenção preventiva que consiste numa manutenção mais inteligente e que tem como principal objetivo a otimização dos períodos de manutenção das máquinas. Mas como é que as máquinas recolhem esses dados? Nós explicamos.

A primeira fase deste tipo de projeto é a recolha de dados, ou criação de um dataset. Idealmente serão recolhidos das máquinas os valores de cada um dos sensores ao longo tempo, formando um conjunto de dados do tipo timeseries, ou seja, uma amostragem discreta de dados que formam uma sequência de valores cada um com o correspondente timestamp associado. Este conjunto de dados será posteriormente utilizado para treino do modelo, por isso é importante que estes dados representem o melhor possível o funcionamento do sistema. Alguns fatores que devem ser tidos em conta durante este processo de aquisição de dados são a frequência de amostragem que deve estar de acordo com as grandezas de frequência de funcionamento do sistema e a redução de fatores externos que possam introduzir ruído ao sinal recolhido.

Em qualquer projeto de Data Science é importante definir qual a pergunta que queremos que o nosso modelo responda. Assim vamos não só definir qual será a abordagem de modelação mais apropriada como também definir objetivos concretos de assertividade dessa mesma abordagem. Assim sendo, podemos identificar três perguntas tipo que vêm solucionar problemas de manutenção preventiva:

Esta pergunta leva-nos um problema de classificação, cujas possíveis repostas são finitas e bem definidas. Neste caso, dado um determinado conjunto de dados mais recente do comportamento da máquina queremos identificar se irá ou não existir algum problema durante uma janela temporal: nas próximas 24 horas, 7 dias ou no próximo mês, por exemplo. Para casos mais complexos, pode ainda ser possível identificar qual o tipo de avaria ou qual a peça que poderá estar a contribuir para um maior desgaste da máquina.

A resposta a este tipo de pergunta não é tão linear, uma vez que consiste num número que pode variar continuamente, ou seja, estamos perante um problema de regressão. Esta abordagem permite identificar de uma forma mais detalhada qual será a janela temporal prevista para que exista uma falha no sistema, esta métrica é também conhecida por Remaining Useful Time (RUL), sendo assim possível realizar a manutenção da máquina antes que esta se encontre no seu ponto crítico.

Esta abordagem é particularmente útil em situações que não temos acesso a registos históricos de avarias da máquina. Sendo que neste caso, o nosso modelo irá estar a prever qual o comportamento espectável da máquina com base nos seus últimos instantes de funcionamento, se existir uma grande diferença entre os valores previstos e os valores recolhidos da máquina, estamos perante um caso onde esta não estará a funcionar como o esperado, ou seja, existe possibilidade de ocorrência de algum problema, e consequente necessidade de manutenção.

O Azure Machine Learning é um serviço da Azure que foi desenvolvido com o objetivo de facilitar e agilizar todo o lifecycle de um modelo de ML, desde a análise dos dados, até ao treino do modelo e posterior produtização do mesmo. Algumas ferramentas que vêm ajudar na aceleração deste lifecycle são:

• Notebooks colaborativos: Permitem a criação de ambientes de desenvolvimento idênticos para toda a equipa, bem como da colaboração de vários membros no mesmo ficheiro. Ajudando no processo de partilha de conhecimento numa fase mais inicial de processamento dos dados e de análise e visualizações dos mesmos
• AutoML: Esta ferramenta dá-nos a possibilidade de construir modelos de uma forma automática e bastante mais rápida, o que permite chegar ao mercado mais cedo. O autoML tenta otimizar a fase iterativa de modelação através da escolha automática das melhores features, dos modelos que melhor se ajustam ao tipo de dados específico e quais os melhores parâmetros para esses modelos.
• Drag and Drop: Para desenvolvimento de protótipos rápidos, ou para quem não se sente tão à vontade com a escrita do código, a Azure disponibiliza uma plataforma de blocos que permite a criação rápida de pipelines para transformação de dados, treino de modelos, e produtização dos mesmos.

Este serviço da Azure, contém ainda uma funcionalidade muito útil para registo de modelos, tornando mais fácil o seu versionamento e entrega contínua de novos modelos. Esta funcionalidade consegue ainda disponibilizar uma REST API que serve de interface de comunicação com o modelo criado, o que torna fácil a sua integração em qualquer ambiente.

Em suma, a manutenção preventiva tem como objetivo a otimização dos custos associados ao funcionamento de máquinas ou de outro tipo de sistemas que tenham necessidade de manutenção, sendo que existem vários tipos distintos de abordagens válidas. A escolha da abordagem correta depende do problema em estudo, bem como dos pedidos e requisitos de cada cliente.

Na Xpand IT estamos preparados para resolver este, ou qualquer outro tipo de problema de Data Science. Entre em contacto connosco.