Reduziu drasticamente o risco de paradas, acarretando economias superiores a R$ 80 milhões por ano.

Desafios e escopo

Na indústria de pneus, simples reparos e manutenções podem ter grandes implicações em toda a linha produtiva. Cenários desastrosos de longas paradas fabris costumam ser raros, porém acontecem e podem/devem ser evitados. Sistemas preditivos, baseados em Inteligência Artificial, quando bem aplicados, reduzem ao mínimo ou até eliminam estes graves incidentes.

Há uma necessidade em se reduzir a indisponibilidade das máquinas, pois representam impacto direto na perda de receita.

Passa a ser necessário fazer-se uma predição do tempo de vida confiável dos componentes e das máquinas. Sem estes dados, acabam ocorrendo também paralizações operacionais que são desnecessárias, devido a manutenção preventiva sem inteligência.

Fazia-se necessário buscar uma otimização do planejamento da manutenção e da equipe técnica utilizada, além de se antecipar corretamente a aquisição dos componentes de reposição.

Desenvolvimento da Solução

Foram utilizados dados de todo o processo, desde a matéria prima até o produto acabado. Dados históricos coletados via sensores nas máquinas e relatos de paradas por falhas e das manutenções realizadas.

Havia uma grande variedade de fontes de dados a serem usadas no modelo, muitas delas reportando informações das máquinas tais como: velocidade, vibração, temperatura, entre outros.

Usando a metodologia ETL - extract, transform and load , foi feita a coleta, consolidação e arrumação de todos os dados (exclusão de dados notoriamente errados, inserção inteligente de dados faltantes, etc). Identificou-se o modelo matemático mais adequado, o qual apontou quais variáveis apresentaram alterações significativas que 'se antecipavam' às quebras que ocorreram nas máquinas.

Inferiu-se assim inteligência preditiva ao sistema, que passou a proporcionar durante a operação, alertas que antecipavam as falhas e quebras iminentes. Dessa forma, o sistema antevê a necessidade de troca de componentes e aponta os serviços necessários antes que os problemas ocorressem.

Impactos e Resultados

De forma proativa e através de analytics, conseguiu-se minimizar ou até eliminar cenários desastrosos.   Obteve-se:

• otimização da programação de manutenção e da equipe envolvida;
• redução dos riscos por paradas críticas de falhas dos equipamentos.

Tal redução é decorrente do fato de que muitas vezes (na sistemática antiga) ocorria indisponibilidade de peças para reparo, o que implicava em grandes demoras com a linha parada.

Alcança-se uma economia de aproximadamente R$ 80 milhões em cada parada, sendo que se estima estar sendo evitado entre 1 e 2 grandes paradas por ano.