Equipamentos IoT em máquinas hidráulicas: monitoramento inteligente, análise e predição

Abstract

O cenário industrial atual, independentemente da área de atuação, depende significativamente de máquinas para os processos de produção. Nesse contexto, algumas máquinas são essenciais na cadeia produtiva e devem estar sempre disponíveis. No entanto, quando estas máquinas apresentam falhas na sua rotina ou em seus componentes e precisam de manutenção, seja programada ou não, isso pode resultar em gargalos e pausas na linha de produção, gerando grandes custos financeiros e um problema para a organização e o processo de produção da empresa. Assim, as indústrias estão constantemente buscando maneiras de reduzir as manutenções não programadas ou corretivas, principalmente para essas máquinas críticas, as quais estão presentes em processos que necessitam de força, precisão e consistência. Nesse contexto, este trabalho propõe uma transformação da abordagem da manutenção industrial, focando na transição da manutenção corretiva ou preventiva para um modelo preditivo mais eficiente, trazendo análises, projeções e \textit{insights} em um relatório sobre os dados e condição da máquina. Utilizando técnicas de análise e predição de dados em conjunto com o monitoramento contínuo de sensores em máquinas hidráulicas, principalmente focando na metodologia que gira em torno da análise de saúde da máquina por meio de análises no fluido hidráulico (como pressão, temperatura e contaminação por particulados), é possível gerar relatórios detalhados sobre o desgaste das máquinas no tempo passado, visualizar variáveis em tempo real e prever dados futuros. Em conjunto com esses dados em tempo real, a previsibilidade das variáveis permite que as empresas realizem um planejamento eficaz de manutenção, evitando paradas de produção e reduzindo custos inesperados, e impactando diretamente no aumento da produtividade com um menor custo de manutenção.

The current industrial scenario, regardless of the area of activity, relies heavily on machines for production processes. In this context, some machines are essential in the production chain and must always be available. However, when these machines experience routine failures or component issues and require maintenance, whether scheduled or unscheduled, it can result in bottlenecks and production line stoppages, causing significant financial costs and problems for the organization and its production processes. Thus, industries are constantly seeking ways to reduce unscheduled or corrective maintenance, especially for these critical machines, which are present in processes that require strength, precision, and consistency. In this context, this work proposes a transformation of the industrial maintenance approach, focusing on the transition from corrective or preventive maintenance to a more efficient predictive model, providing analyses, projections, and insights in a report on the machine's data and condition. By using data analysis and prediction techniques in conjunction with continuous sensor monitoring on hydraulic machines, primarily focusing on the methodology revolving around machine health analysis through hydraulic fluid assessments (such as pressure, temperature, and particulate contamination), it is possible to generate detailed reports on machine wear over past time, visualize real-time variables, and predict future data. Along with this real-time data, the predictability of variables allows companies to conduct effective maintenance planning, avoiding production stoppages and reducing unexpected costs, directly impacting increased productivity with lower maintenance costs.