Manutenção preditiva na indústria

O problema, como ele aparece na operação

Manutenção por calendário troca peça boa e deixa passar peça ruim. Manutenção corretiva espera quebrar. As duas convivem na mesma planta porque nenhuma resolve: o intervalo certo não é o do manual, é o que o equipamento específico, naquela carga específica, está pedindo.

Na inspeção de qualidade o problema é gêmeo. Amostragem manual não escala e detecta tarde: o defeito que aparece no fim da linha já consumiu material, energia e tempo de máquina.

Como abordamos

• Diagnóstico. Antes de qualquer modelo, olhamos o histórico de parada e o registro de sensor que já existe. Boa parte das plantas coleta mais dado do que usa, e o primeiro ganho costuma vir de organizar isso.
• Desenho. Duas frentes que se apoiam: visão computacional para inspeção em tempo real na linha, e modelo preditivo de falha sobre séries temporais de sensor. A primeira detecta o defeito que já ocorreu; a segunda antecipa o que vai ocorrer.
• Entrega. Integração com a operação e período de validação com critério de aceitação combinado. O time de manutenção precisa confiar no alerta, senão ele vira ruído ignorado em duas semanas.

O resultado, num caso real

Numa linha industrial, o pipeline de inspeção somado ao modelo preditivo reduziu paradas não programadas e refugo:

• −47% de paradas não programadas
• 99,2% de acurácia na detecção de defeitos

A acurácia é nível absoluto medido contra o total inspecionado, não variação. Fazemos essa distinção porque misturar as duas coisas num mesmo gráfico é a forma mais comum de inflar resultado sem mentir tecnicamente.

O que este trabalho não faz

Um piloto validado não é um produto pronto para produção. Ele prova que a abordagem funciona no seu dado e no seu processo, com critério de aceitação combinado antes de começar. Colocar em produção com a robustez, o monitoramento e o suporte que uma operação crítica exige é uma fase seguinte, com escopo e custo próprios.

Dizemos isso na proposta comercial e repetimos aqui porque a diferença entre as duas coisas é a origem da maior parte da frustração com projetos de IA.