← Voltar para a categoria Manutenção e Gerenciamento de ativos

A análise preditiva de autoatendimento reduz o tempo de inatividade e evita riscos desnecessários

A alteração dos preços das matérias-primas, a comoditização, o aumento da severidade regulatória e várias outras dinâmicas do mercado impactam as margens da indústria de processos. Em um mercado tão ativo, é necessário ser o mais flexível possível sem comprometer grandes quantidades de capital nos próximos anos.

Este artigo examinará como uma impressão digital dourada pode ser criada modelando sucessos passados. Isso significa que as plantas brownfield podem, em vez disso, olhar para um futuro sustentável, utilizando a experiência em processos em combinação com a grande quantidade de dados de processos armazenados. Uma área de melhoria é a manutenção preditiva para diminuir o tempo de inatividade não planejado.

Por Artur Beyer, diretor da indústria, Chemicals, TrendMiner

Artur Beyer, diretor da indústria, produtos químicos, TrendMiner

Artur Beyer, diretor da indústria, produtos químicos, TrendMiner

Recentemente, muito tem sido escrito sobre o desempenho operacional preditivo nas indústrias de manufatura de processos. A maior parte dos artigos está relacionada à manutenção preditiva, onde sensores aplicados são usados ​​para analisar e prever o comportamento do equipamento.

Isso se concentra principalmente nos ativos mais importantes por meio de projetos de modelagem de dados preditivos centralizados, demorados e caros. Para incluir a previsão de desempenho operacional para todos os ativos, é necessária uma nova abordagem de análise; análise preditiva de autoatendimento para os especialistas no assunto.

Uma abordagem mais inteligente

As soluções de manutenção preditiva tradicionalmente envolvem cientistas de dados ou especialistas em melhoria central para a construção de modelos de análise abrangentes.

Além de ser onerosa e demorada, essa maneira de trabalhar tem outras desvantagens importantes: cria um gargalo na organização, subutiliza os especialistas no assunto e deixa muitos (menores) casos de análise preditiva não abordados.

Uma abordagem nova, integrada e mais eficiente é a análise de autoatendimento. Este novo método, não requer a experiência de um cientista de dados, nem requer uma ampla revisão da sua infraestrutura existente.

Os insights sobre seus processos e comportamentos de ativos são baseados em uma riqueza de dados históricos e em tempo real e, com essas informações, os especialistas no assunto podem tomar medidas proativas para reduzir o tempo de inatividade e evitar riscos desnecessários.

Diferentes maneiras de executar uma estratégia poderosa

Existem três maneiras diferentes de usar essa nova abordagem:

  • O primeiro é baseado em eventos: se um determinado comportamento de assinatura for detectado, o que pode afetar outra parte no processo que normalmente ocorre mais tarde, uma notificação pode ser gerada.
  • O segundo é probabilístico: o comportamento atual é interpretado e uma probabilidade de comportamento futuro é calculada.
  • O terceiro tipo é regressivo: a previsão é baseada em certas condições que devem ser atendidas e verificadas.
Análise preditiva de autoatendimento: predicação baseada em eventos

Um exemplo de como a análise de autoatendimento pode ser prática em uso é criando impressões digitais, que são criadas usando qualquer variedade de padrões de assinatura encontrados no passado.

Usando impressões digitais definidas para previsão baseada em eventos, alertas automáticos podem ser enviados para as partes interessadas apropriadas, como pessoal da sala de controle ou engenheiros de campo, para tomar as medidas apropriadas no caso de desvio do processo. As notificações podem até incluir recomendações para ações de mitigação.

Outra é usar a geração de hipóteses para diagnosticar problemas que alimentam novas previsões baseadas em eventos. O comportamento em uma parte da linha de produção pode então ser correlacionado com o comportamento (futuro) a jusante. A regressão automática dos parâmetros do processo é, por exemplo, usada para criar sensores suaves para prever a qualidade do produto.

Desempenho de Ativos e Manutenção Preditiva


O desempenho de ativos, ou Overall Equipment Effectiveness (OEE), depende muito do processo em que o ativo opera. Em vez de usar dados de sensores relacionados ao equipamento para análise de desempenho, todos os dados de sensores relacionados ao processo devem ser levados em consideração.

Isso é chamado de “contextualização do desempenho de ativos com dados de processo” e, com isso, a manutenção preditiva baseada em dados torna-se possível.

Análise preditiva de autoatendimento: manutenção especializada


O objetivo da manutenção preditiva é poder executar a manutenção em um momento em que ela não é apenas a mais econômica, mas também quando ela terá o menor impacto nas operações.

Ao representar todos os dados gerados pelo sensor em um gráfico, especialmente quando várias tags precisam de investigação, é difícil encontrar correlações.

As ferramentas de análise de autoatendimento permitem ao usuário explorar e filtrar rapidamente os dados visualmente e pesquisar grandes quantidades de dados do processo (facilmente até vários anos de dados históricos).

Os recursos avançados de análise também podem ajudar a determinar a análise de causa raiz (RCA), testar a hipótese (análise de descoberta) e encontrar rapidamente ocorrências comportamentais semelhantes.

Através da análise de diagnóstico, o engenheiro de processo pode entender os efeitos das mudanças de processo (comparando antes e depois) e encontrar potenciais fatores de influência para questões específicas. Com essa informação, monitores podem ser criados para proteger as melhores zonas operacionais e a manutenção pode ser prevista.

Casos práticos de uso com análise preditiva de autoatendimento


Um exemplo em que o desempenho do ativo está diretamente relacionado ao comportamento do processo é a incrustação de trocadores de calor. Em um reator com fases subsequentes de aquecimento e resfriamento, a fase de resfriamento controlada é a mais demorada, e é quase impossível monitorar as incrustações quando o reator é usado para diferentes classes de produtos e diferentes receitas são necessárias para cada grade.

A incrustação de trocadores de calor aumenta o tempo de resfriamento, mas programar a manutenção muito cedo leva a um tempo de inatividade injustificado e o agendamento, tarde demais, leva a um desempenho mais baixo, maior consumo de energia e riscos potenciais.

No caso da produção de um polímero, foi montado um monitor para analisar os tempos de seus produtos mais altamente produzidos. Se a duração da fase de resfriamento começar a aumentar, um aviso é enviado aos engenheiros, que podem agendar a manutenção em tempo hábil.

Os benefícios obtidos são a disponibilidade de ativos estendida, a redução de custos operacionais e de manutenção e a redução do risco de segurança. O impacto geral nessa instância foi um aumento de receita geral de 1% + de toda a linha de produção.

Dentro de uma rede de distribuição de água, apenas 5% de todas as estações de bombeamento foram responsáveis ​​por mais de 50% dos custos totais de manutenção. Com a análise de autoatendimento, usando gráficos de dispersão e impressões digitais estatísticas, as bombas podem ser monitoradas dentro de suas melhores zonas de operação.

Alarmes foram adicionados e os usuários agora são notificados quando se espera que o equipamento falhe, permitindo que eles tenham tempo para tomar medidas proativas. Isso melhorou a confiabilidade do desempenho e reduziu os custos operacionais gerais.

Um último caso de uso é dentro de uma refinaria de petróleo onde o fluoreto de hidrogênio é usado como catalisador na unidade de alquilação. Ele é regenerado em uma stripper que é drenada para um tambor várias vezes por dia com base no nível da coluna.

Após alguns dias, quatro termopares em diferentes alturas no tambor indicam quando o tambor está cheio e deve ser drenado. Com a descoberta de autoatendimento e a análise de diagnóstico, foi demonstrado que o tempo até que o tambor esteja cheio (indiretamente) depende do fluxo de ácido para a coluna de stripper.

Usando a análise preditiva de autoatendimento, agora ela pode ser determinada quando o tambor exigirá manutenção. Isso proporciona bastante tempo para agendar o trabalho de drenagem e reduzir os custos de manutenção.

Análise preditiva de autoatendimento: fluxograma da unidade de alquilação


Pensamentos Finais

A manutenção preditiva tradicional é frequentemente demorada e isolada dos especialistas no assunto e, consequentemente, usada apenas nos ativos mais críticos.

Mas com essa nova abordagem, os especialistas do processo do dia-a-dia podem ter o poder de utilizar seu conhecimento com o uso das informações ocultas no historiador de dados e, com isso, podem conduzir suas próprias estratégias de manutenção preditiva para todos os equipamentos da linha de produção .

Por meio do uso da análise de autoatendimento, todos os ativos podem ser avaliados quanto ao desempenho e manutenção preditiva. Este método é a sua bola de cristal e as informações fornecidas podem resultar em uma redução dos custos de mão-de-obra relacionados à manutenção, redução de falhas ou paradas inesperadas, redução no tempo de reparo e revisão e aumento no tempo de operação. E se você olhar para o futuro, poderá ver uma redução no custo e aumentar o rendimento.

Informador de Indústria de Processos

Notícias relacionadas

Deixe um comentário

Seu endereço de email não será publicado. Campos obrigatórios são marcados com *

Este site usa o Akismet para reduzir o spam. Saiba como seus dados de comentário são processados.