Confiabilidade viabilizada digitalmente: além da manutenção preditiva

Por Steve Bradbury, Brian Carpizo, Matt Gentzel, Drew Horah, e Joël Thibert

Para capturar tudo o que as tecnologias digitais podem oferecer em termos de aumento da confiabilidade e redução de custos, as empresas devem ampliar suas ambições de manutenção digital.

Estamos entrando em um mundo de máquinas inteligentes capazes de alertar seus operadores antes que elas quebrem? A manutenção preditiva avançada (PdM, na sigla em inglês), viabilizada pela profunda integração entre dados provenientes de sensores e técnicas de machine learning, é um dos benefícios mais alardeados da quarta revolução industrial. A ideia é certamente atraente e está incentivando empresas de setores que exigem o uso intensivo de ativos a buscar investimentos na área de manutenção e confiabilidade digitais.

Em nossa opinião, entretanto, tratar a PdM como a “salvação” para todos os desafios de manutenção e confiabilidade pode revelar-se uma análise muito limitada. Em parte, isso ocorre porque as técnicas preditivas avançadas atuais só podem ser aplicadas a um subconjunto de casos de uso. Mas também acontece porque uma ênfase exagerada em uma abordagem significa que as empresas não se posicionarão para capturar todos os benefícios potenciais de uma função de manutenção e confiabilidade totalmente digitalizadas, que seja concentrada no aumento do tempo de atividade e na eficiência aprimorada de manutenção.

E tais benefícios são significativos. Com base em nossas observações de manutenção digital e transformações de confiabilidade em indústrias pesadas, vemos o potencial de as empresas aumentarem a disponibilidade de ativos de 5% a 15% e reduzirem os custos de manutenção de 18% a 25%.

As oportunidades e os desafios da PdM

É fácil perceber por que a manutenção preventiva avançada é vista como um aplicativo empolgante para a Indústria 4.0. A abordagem une muitas das tecnologias que sustentam a nova onda de digitalização industrial, como sensores em rede, big data, advanced analytics e machine learning. É uma técnica poderosa que, ao identificar padrões complexos sobre centenas ou milhares de variáveis de maneiras que a análise tradicional é incapaz de fazer, permite aos operadores desenvolver um entendimento mais aprofundado, baseado em dados, da razão pela qual as falhas acontecem. E de forma ainda mais atraente, a técnica promete um benefício muito concreto: máquinas que não quebram.

Na prática, porém, os usos economicamente viáveis para essas técnicas avançadas de PdM não são tão generalizados no mundo real. Quando uma máquina é propensa a uma faixa estreita de modos de falha bem compreendidos, muitas vezes é possível resolver um problema potencial de maneira mais simples, por exemplo, monitorando a temperatura ou a vibração de um componente em relação a um limite estabelecido ou aplicando, de forma consistente e rigorosa, técnicas de análise de confiabilidade orientada por dados para abordar as causas-raiz dos modos de falha. Por outro lado, quando uma máquina puder sofrer centenas ou milhares de tipos diferentes de falhas (algumas delas muito raras), pode ser impraticável criar modelos suficientes com qualidade suficientemente alta para prever todas elas de forma adequada.

Ao considerarmos o esforço e o conhecimento necessários para desenvolver modelos precisos de machine learning, a manutenção preditiva baseada em modelos torna-se uma maneira inovadora de solucionar problemas específicos e de alto valor, em vez de todo o universo de oportunidades de manutenção. A abordagem tem mais potencial quando há modos de falha bem documentados com alto impacto exercido pelo tempo de inatividade associado, por exemplo, em uma máquina essencial em uma linha de produção maior. A manutenção preditiva também funciona bem quando pode ser aplicada em escala a um grande grupo de ativos idênticos, no qual haja um histórico de confiabilidade suficiente para distribuir os custos de desenvolvimento e administração, como em parques eólicos em alto mar ou frotas de locomotivas. Assim, os fabricantes de equipamentos estão estrategicamente posicionados para impulsionar o desenvolvimento e a implementação de modelos preditivos em escala para seus usuários finais, mas esses esforços ainda precisam se concretizar de forma geral.

Captura do dividendo digital

O escopo relativamente limitado alcançado pela PdM significa que a manutenção e a confiabilidade estão de alguma forma isentas do imperativo digital? Não. Na verdade, propomos que as empresas avancem muito além do uso de um tipo específico de ferramenta digital e pensem em como as técnicas de advanced analytics podem transformar todo o seu sistema de manutenção e confiabilidade. Isso significa olhar de ponta a ponta para as oportunidades de fazer melhor uso dos dados e aplicar princípios de design centrados no usuário para digitalizar processos. O impacto sustentável exigirá uma combinação de novas ferramentas digitais, alterações na estratégia de ativos e melhores práticas de confiabilidade.

Uma abordagem integrada para confiabilidade e manutenção digitais

A atividade de confiabilidade e manutenção é formada por duas partes básicas: um elemento de programa, que engloba estratégias de ativos e planos de manutenção, e um elemento de execução, que engloba identificar, priorizar, agendar e executar o trabalho. A confiabilidade e a manutenção digitais (DRM, na sigla em inglês) englobam esses elementos e os sustentam com um conjunto de capacitadores – a infraestrutura, os processos e as ferramentas necessárias pelas empresas para gerenciar seus ativos, dados e pessoas, na melhoria da confiabilidade dos ativos e na performance da manutenção (Quadro).

Digitally enabled reliability: Beyond predictive maintenance

Capacitadores da confiabilidade digital

Começamos a partir da base, com capacitadores. Mais importante ainda, os processos digitais são alimentados por dados. É por isso que o estabelecimento de um backbone de dados robusto é um capacitador fundamental da confiabilidade e manutenção digitais. A maioria das organizações já conta com sistemas para registrar dados relacionados à manutenção e à confiabilidade, mas a eficácia de tais sistemas pode ser prejudicada pela má administração. Os mesmos ativos ou problemas podem ser descritos de maneiras diferentes em sistemas diferentes, por exemplo, dificultando a integração. As empresas podem usar os campos de texto para registrar problemas ou ações de manutenção, dificultando a pesquisa automatizada ou a análise de dados. Ou ainda, dados críticos podem estar inacessíveis, bloqueados em planilhas ou em anotações feitas em papel.

O enfrentamento desses desafios muitas vezes não depende do investimento em novas tecnologias, mas da adoção de padrões mais rigorosos para identificação de ativos e registro de dados. Técnicas de inteligência artificial, tais como o processamento de linguagem natural, podem ajudar as organizações a transformar dados históricos mal organizados em uma forma mais adequada para a análise automatizada.

Da mesma forma, a queda nos custos do armazenamento de dados e da largura de banda da rede significa que agora é mais fácil e barato coletar fluxos de dados de sistemas de controle de máquinas e sensores externos. Esses dados, que podem estar inacessíveis ou mesmo descartados atualmente, são úteis para o monitoramento baseado em condições, diagnósticos e análise de modos de falha, usando abordagens convencionais ou a aplicação de advanced analytics e machine learning.

Depois de terem seus dados armazenados, as empresas precisam de um meio para acessá-los. Para a maioria das organizações, isso requer uma nova etapa. Uma camada consolidada de serviços de dados, ou “data lake”, coleta dados de vários sistemas e fontes, criando uma espécie de “fonte única da verdade” e preenchendo a lacuna de informações entre os sistemas para fornecer uma visão completa da integridade de um ativo. Esse componente crítico da arquitetura de dados tem várias utilidades: fornece a base para a gestão da performance digital, analytics e painéis descritivos, além de servir como uma camada unificada para novos aplicativos de manutenção e confiabilidade, fornecendo os dados necessários para modelos de advanced analytics.

Os próximos capacitadores essenciais para a DRM são ferramentas digitais para análise de engenharia de confiabilidade. A solução de problemas de causa-raiz usando abordagens como análise de árvore de falhas, bem como a análise de causa e efeito ou a análise de modos de falha e efeitos (FMEA, na sigla em inglês) é parte fundamental da estratégia de manutenção e confiabilidade de qualquer organização. Hoje, no entanto, essas atividades geralmente são realizadas manualmente e seus resultados raramente são registrados de maneira centralizada. A integração de ferramentas de engenharia de confiabilidade na arquitetura de DRM de uma organização assegura que as análises sejam realizadas de maneira consistente e estruturada, acelera e simplifica o acesso a dados de entrada e captura resultados analíticos para uso futuro.

A criação de uma plataforma digital capaz de lidar com toda a gama de ferramentas e fontes de dados usadas na confiabilidade e manutenção digitais pode ser um desafio, mas acertar isso logo no início do programa de DRM irá proporcionar benefícios duradouros. Uma empresa de petróleo e gás já havia começado a desenvolver soluções de manutenção em uma plataforma existente. No entanto, à medida que os líderes planejavam suas metas quanto à manutenção digital, perceberam que o sistema não dispunha dos recursos técnicos necessários. Como a interconexão perfeita entre as ferramentas era fundamental para o projeto de manutenção de longo prazo, a empresa optou por integrar todas as soluções de manutenção em uma plataforma totalmente nova, embora isso exigisse retrabalho no curto prazo. O resultado obtido foi uma função de DRM que pode se expandir de acordo com as necessidades, junto com os recursos digitais da organização, em vez de fornecer apenas um estímulo temporário que fica rapidamente defasado enquanto a concorrência (e os recursos técnicos) avança.

É importante notar que os capacitadores discutidos até agora se concentram na aplicação de tecnologias digitais para acelerar, simplificar e melhorar práticas existentes de engenharia de confiabilidade. Mas a digitalização também está fornecendo uma infinidade de novas ferramentas e abordagens às equipes dessa área. Como descrevemos, a aplicação de técnicas de machine learning para monitorar a condição de ativos já recebeu atenção considerável, mesmo que seu custo e complexidade possam limitar sua aplicação.

Entretanto, nem todas as técnicas de monitoramento de condições exigem algoritmos elaborados ou modelos complexos. A abordagem de monitoramento de condições baseado em dados utiliza consultas simples que são executadas periodicamente ou em tempo real em relação a dados de séries temporais gerados por máquinas e sensores externos. Caso as condições estabelecidas como patamar sejam ultrapassadas, esses sistemas podem acionar ações investigativas ou corretivas no fluxo de trabalho de engenharia de confiabilidade digital ou requisitar diretamente a execução de manutenção.

Gestão da performance digital

As tecnologias capacitadoras descritas acima estabelecem o alicerce da DRM, mas na verdade não melhoram a confiabilidade dos ativos nem a eficácia da manutenção. Essas melhorias vêm do modo como uma organização utiliza seus dados digitais para otimizar as atividades de manutenção: adaptando cronogramas, simplificando planos e priorizando a alocação de recursos.

Um sistema de gestão de performance digital é fundamental para a operação de um programa eficiente de DRM. Isso requer o uso de analytics descritivas e visualizações de dados para fornecer uma visão em tempo real da performance da integridade e confiabilidade do ativo. A gestão de performance digital automatiza a geração e apresentação das principais métricas e informações qualitativas utilizadas pelas empresas em seus programas de confiabilidade, como os dados sobre a eficiência global de equipamentos (OEE, na sigla em inglês) ou indicadores de causas das perdas. Esse tipo de automação é uma alavanca de melhoria surpreendentemente poderosa, liberando a equipe de manutenção do processo demorado e propenso a erros de coleta e análise de dados. A automação favorece ainda a rápida identificação de tendências, a tomada de decisões baseada em fatos e a intervenção oportuna, bem como mudanças no investimento em equipamentos, processos e políticas.

Às vezes, as empresas já possuem grande parte da infraestrutura digital necessária para gerenciar a performance de manutenção. Uma empresa de mineração, por exemplo, estava se preparando para adquirir um novo sistema para monitorar a manutenção de equipamentos móveis. Enquanto definia as exigências para o novo sistema, percebeu que a funcionalidade exigida já existia dentro de seu atual sistema computadorizado de gestão de manutenção. Os módulos relevantes já haviam sido até testados dentro da organização, mas nunca foram disseminados em toda a empresa.

O tempo de ciclo e a eficácia das atividades de engenharia de confiabilidade são frequentemente prejudicados pela falta de informações ou pelo mau alinhamento entre as equipes de operações, confiabilidade e manutenção. Sistemas digitais de fluxo de trabalho de engenharia de confiabilidade ajudam a resolver essas falhas rastreando todo o ciclo de vida de cada unidade de trabalho conduzida pela função de engenharia de confiabilidade. No mínimo, esses sistemas capturam os detalhes do evento ou eventos que acionam uma investigação pela equipe de engenharia de confiabilidade, as ações adotadas em resposta e o resultado de tais ações.

Estratégias de ativos digitais

Novas ferramentas digitais também podem ajudar a acelerar e padronizar as análises de custo-benefício e a tomada de decisões que sustentam as atividades de manutenção e confiabilidade. Ferramentas de gestão de ativos digitais, por exemplo, ajudam as equipes de confiabilidade a planejar e gerenciar as opções de reparo ou substituição durante os ciclos de vida de ativos individuais ou grupos inteiros. Da mesma forma, as novas ferramentas digitais podem apoiar a manutenção centrada na confiabilidade, ajudando as equipes a escolher a estratégia correta de manutenção (como a execução até que ocorra a falha, a manutenção preventiva planejada ou a manutenção baseada em condições) para cada ativo.

Gestão de trabalho digital

Novas ferramentas digitais também estão transformando a maneira como as empresas planejam e gerenciam a execução de atividades de manutenção e confiabilidade. O gerenciamento de trabalho digital inclui a digitalização de processos e analytics baseado em dados para melhorar a eficácia e a eficiência do trabalho de manutenção. Entre as utilizações estão algoritmos de agendamento automatizado, ambientes de planejamento digitalizados e tablets ou dispositivos vestíveis ou que podem ser acoplados ao corpo humano para entrada e obtenção de dados durante trabalho em campo.


De forma consciente ou não, a maioria dos players industriais já está percorrendo uma jornada de DRM. Eles estão registrando suas ordens de serviço em um sistema de planejamento de recursos empresariais ou de gestão de ativos e muitos de seus ativos já estão gerando e coletando dados, ainda que sejam dispersos e pouco utilizados.

No momento, entretanto, essa abordagem de “digitalização padrão” não está gerando todo o impacto que poderia. Quando pesquisamos um grupo de gerentes de manutenção no início deste ano, apenas 50% disseram que sua atual arquitetura de informação e operacional (TI/ TO) apoia adequadamente seus processos de manutenção e confiabilidade, e menos de 20% acham que seus mantenedores têm uma experiência positiva de usuário.

A etapa crítica para a maioria das organizações é a mudança para uma abordagem proativa, abrangente e bem pensada para uma estratégia de manutenção e confiabilidade digitais. Isso envolve uma avaliação detalhada das práticas atuais de manutenção e confiabilidade de forma a identificar onde a visibilidade da captura aprimorada de dados, insights de advanced analytics e maior controle de novos sistemas de execução de manutenção digital podem causar impacto. É indispensável ter uma ampla visão das possíveis aplicações e pensar em como novas ferramentas, tecnologias e abordagens podem ser integradas e combinadas.

Como em qualquer esforço significativo para obter uma mudança, avançar para esse novo mundo de confiabilidade e manutenção digitais exigirá que as empresas tenham ambições ousadas, abordagens de transformação bem estruturadas e uma visão de longo prazo.

Sobre o(s) autor(es)

Steve Bradbury é especialista sênior da McKinsey no escritório de Denver, Brian Carpizo é sócio associado no escritório de Chicago, Matt Gentzel é sócio no escritório de Pittsburgh, Drew Horah é sócio associado no escritório de Atlanta e Joel Thibert é sócio associado no escritório de Montreal.

Related Articles