Manutenção preventiva versus manutenção preditiva

Sua estratégia de manutenção pode não ser a primeira coisa que vem à mente quando se pensa nos resultados. No entanto, dado que máquinas, equipamentos e sistemas mantêm as empresas em funcionamento, as estratégias de manutenção têm um papel importante a desempenhar. Sem o devido cuidado e atenção, as coisas quebram, independentemente de ser um transformador em uma rede elétrica, um rolamento de eixo em um treinar ou uma geladeira em um restaurante.

Quando os ativos funcionam mal ou não estão funcionando de forma ideal, pode haver problemas de segurança e implicações financeiras, pois o fabricante médio perde cerca de 800 horas por ano com o downtime. Além disso, infraestruturas envelhecidas, retenção de força de trabalho, restrições orçamentárias e pressões de sustentabilidade, são fáceis de entender por que as empresas precisam encontrar maneiras cada vez melhores de manter os ativos em boas condições de operação.

Entender e planejar quando seu equipamento provavelmente falhará pode aumentar a eficiência nas operações de produção, mas como decidir qual estratégia é a mais econômica para você? A decisão não é simples. Vários fatores devem ser considerados, como seu setor, o tipo e o uso do ativo, o custo de substituição, quanto do tipo certo de dados você tem e o impacto que a falha teria sobre seus negócios e clientes. Não existe uma solução única para todos, e a maioria das empresas opta por uma combinação de diferentes estratégias de manutenção em seus portfólios de ativos.

Estratégias de manutenção reativa, preventiva e preditiva são as abordagens de manutenção mais comumente usadas. A manutenção reativa (também chamada de manutenção corretiva) é exatamente isso: reagir a falhas quando elas ocorrem. Ele é adequado para ativos de baixo custo e não críticos que não representam riscos operacionais ou de segurança se for implementada uma estratégia de execução "run-to-failure".

A manutenção preventiva e preditiva são estratégias de manutenção proativa que utilizam conectividade e dados para ajudar engenheiros e planejadores a consertar as coisas antes que elas quebrem. As estratégias preditivas levam isso ainda mais longe e usam técnicas avançadas de dados para prever quando as coisas provavelmente darão errado no futuro. Ambas as estratégias visam reduzir o risco de problemas catastróficos ou onerosos.

Vamos analisar mais detalhadamente essas abordagens proativas.

A manutenção preventiva usa planos de manutenção regulares para reduzir as chances de um ativo quebrar, realizando tarefas de manutenção de rotina em intervalos regulares. Usando melhores práticas e médias históricas, como tempo médio entre falhas (MTBF), o downtime é planejado. As estratégias de manutenção preventiva existem desde cerca de 1900 e amplamente utilizadas desde o final da década de 1950.

Desenvolveram-se três tipos principais de manutenção preventiva que envolvem a realização de manutenção regular, mas que estão programadas de forma diferente e são adaptadas a diferentes fins de operação empresarial.

• Os cronogramas de manutenção preventiva baseados no uso baseiam as manutenções e inspeções futuras no uso dos ativos, como a troca dos pneus do carro após 80 mil km.
• A manutenção preventiva baseada em calendário ou tempo define intervalos de tempo específicos para manutenção, como a manutenção anual do seu forno doméstico.
• A manutenção baseada em condições cria cronogramas com base em fatores como desgaste e degradação de ativos.

Em todos os tipos de manutenção preventiva, o downtime da máquina é planejado com antecedência e os técnicos usam listas de verificação para verificações, reparos, limpeza, ajustes, substituições e outras atividades de manutenção.

A manutenção preditiva baseia-se no monitoramento baseado em condições, avaliando continuamente a condição de um ativo. Sensores coletam dados em tempo real e são alimentados no gestão de ativos corporativos (EAM) habilitada para IA, sistemas computadorizados de gerenciamento de manutenção (CMMS) e outros softwares de manutenção. Por meio desses tipos de software, ferramentas e processos avançados de análise de dados, como aprendizado de máquina (ML) podem identificar, detectar e lidar com problemas à medida que ocorrem. Os algoritmos também são usados para criar modelos que preveem quando poderão surgir problemas potenciais futuros, o que mitiga o risco de quebra do ativo mais adiante. Isso pode resultar em custos de manutenção menores, uma redução de cerca de 35-50% no downtime e um aumento de 20-40% na vida útil.

Várias técnicas de monitoramento de condições são usadas para identificar anomalias de ativos e fornecer avisos antecipados sobre possíveis problemas, incluindo som (acústica ultrassônica), temperatura (térmica), lubrificação (óleo, fluidos), análise de vibração e análise do circuito do motor. Um aumento de temperatura em um componente, por exemplo, pode indicar um bloqueio no fluxo de ar ou no líquido de resfriamento; vibrações incomuns podem indicar desalinhamento de peças móveis ou desgaste; essas mudanças no som podem fornecer avisos antecipados de defeitos que não podem ser detectados pelo ouvido humano.

O setor de petróleo e gás foi pioneiro na adoção da manutenção preditiva como forma de reduzir o risco de desastres ambientais, e outros setores também estão vendo cada vez mais os benefícios. No setor de alimentos e bebidas, por exemplo, problemas não detectados no armazenamento de alimentos podem ter graves consequências para a saúde, e no transporte, antecipar e prevenir falhas de equipamentos reduz o número de reparos que precisam ser feitos no mar, onde é mais difícil e mais caro do que no porto.

Ambos os tipos de estratégias de manutenção aumentam o tempo de atividade e reduzem o downtime, melhorando a confiabilidade e o ciclo de vida dos ativos. As principais diferenças estão no tempo e na capacidade de prever a condição provável futura de um ativo.

Os programas de manutenção preventiva usam dados históricos para antecipar a condição esperada de um ativo e programam tarefas de manutenção de rotina em intervalos regulares com antecedência. Embora isso seja bom para o planejamento, os ativos podem receber manutenção insuficiente ou excessiva, dado que a grande maioria das falhas de ativos é inesperada. Um problema pode ser diagnosticado tarde demais para evitar danos a um ativo, por exemplo, o que provavelmente significará mais downtime enquanto estiver corrigido, ou tempo e dinheiro podem ser gastos quando não há necessidade.

A manutenção preditiva evita manutenção desnecessária ao entender a condição real do equipamento. Isso significa que ele pode sinalizar e corrigir problemas mais cedo da manutenção preventiva e evitar que problemas mais sérios se desenvolvam.

A manutenção preditiva aproveita novas tecnologias como inteligência artificial, aprendizado de máquina e a Internet das coisas (IoT) para gerar insights. Os sistemas e softwares de gerenciamento de manutenção criam automaticamente ordens de serviço de manutenção corretiva, permitindo que as equipes de manutenção, os cientistas de dados e outros funcionários tomem decisões mais inteligentes, rápidas e financeiramente sólidas.

Os fluxos de trabalho de gerenciamento de inventário, como cadeias de suprimentos de mão de obra e peças de reposição, tornam-se mais eficientes e sustentáveis com a minimização do uso e do desperdício de energia. A manutenção preditiva pode alimentar dados em outras práticas de manutenção com base em análise em tempo real, como digital twins, que podem ser usados para modelar cenários e outras opções de manutenção sem risco para a produção.

Há obstáculos a serem superados para que a manutenção preditiva seja eficaz ou mesmo possível, como complexidade, treinamento e dados. A manutenção preditiva exige uma infraestrutura moderna de dados e sistemas que pode tornar sua configuração dispendiosa em comparação com a manutenção preventiva. Treinar a força de trabalho para usar as novas ferramentas e processos e interpretar corretamente os dados pode ser caro e demorado. A manutenção preditiva também depende da coleta de volumes substanciais de dados específicos. E, por fim, a implementação de uma estratégia de manutenção preditiva exige uma mudança cultural para acomodar a transição de operações diárias predeterminadas para operações diárias mais flexíveis, o que pode ser um desafio.

Em resumo, embora as estratégias de manutenção preventiva e manutenção preditiva se concentrem em aumentar a confiabilidade dos ativos e reduzir o risco de falhas, elas são muito diferentes. A manutenção preventiva é regular e rotineira, enquanto a manutenção preditiva se concentra em fornecer as informações corretas sobre ativos específicos no momento certo. A manutenção preventiva é adequada para ativos em que os padrões de falhas são previsíveis (por exemplo, problemas recorrentes ou frequentes) e o impacto das falhas é comparativamente baixo, enquanto a manutenção preditiva pode ser mais vantajosa para ativos estratégicos em que as falhas são menos previsíveis e o impacto das falhas nos negócios é alta. Em última análise, se as estratégias de manutenção preditiva forem implementadas e executadas com sucesso, elas resultarão em clientes mais satisfeitos e economias substanciais de custos por meio de manutenção otimizada e desempenho de ativos.

A boa notícia é que a IBM pode ajudar. O IBM Maximo Application Suite é um conjunto de aplicações que permite levar o planejamento de manutenção além dos cronogramas para a manutenção preditiva baseada em condições, com base em insights da integridade dos ativos.

Combinando dados operacionais, IoT, IA e análise de dados em uma única plataforma integrada baseada na nuvem, o Maximo promoverá decisões mais inteligentes e baseadas em dados que melhoram a confiabilidade dos ativos, prolongam os ciclos de vida dos ativos, otimizam o desempenho e reduzem o downtime operacional e os custos.