Estudo de viabilidade para implementação de manutenção preditiva no contexto da indústria 4.0
DOI:
https://doi.org/10.34117/bjdv9n8-002Keywords:
indústria 4.0, manutenção preditiva, sistema de sensoriamentoAbstract
No atual cenário da indústria 4.0, onde as organizações estão buscando aumentar produtividade e alcançar práticas de predição e previsão automaticamente, novos métodos para tomada de decisões focados em informações quantitativas e qualitativas a partir da análise da confiabilidade são essenciais para as empresas atingirem um patamar de eficiência e se destacarem no seu ramo de atuação. Desta maneira, o presente artigo tem como objetivo analisar a viabilidade para implementação de um sistema de sensoriamento para acompanhamento em tempo real e manutenção preditiva de um equipamento crítico de uma empresa industrial. A partir dos registros de falha, identificou-se a máquina crítica a ser estudada e identificou-se que uma grande incidência de falhas estava relacionada com os rolamentos dos conformadores, os quais possuem maior desgaste e impacto na disponibilidade do equipamento. Como solução para estes pontos críticos, sugeriu-se a instalação de sensores de temperatura e vibração para acompanhamento em tempo real das condições do equipamento e tomada de decisão com base nos dados. A análise financeira mostrou que o investimento para este acompanhamento possui payback de um mês, constatando que a adoção de práticas de manutenção preditiva pode trazer benefícios para a empresa como aumento de produtividade e redução de custos.
References
Agostino, Í.R.S., Broda, E., Frazzon, E.M. and Freitag, M., 2020. Using a digital twin for production planning and control in industry 4.0. Scheduling in Industry 4.0 and Cloud Manufacturing, pp.39-60.
Baldissarelli, L. and Fabro, E., 2019. Manutenção Preditiva na indústria 4.0. Scientia cum industria, 7(2), pp.12-22.
Bahrin,M.; Othman,F.; Azli,N.; Talib,M. Industry 4.0: A review on industrial automation and robotic.Journal Teknologi, [s.l.], v. 78, n.6-13, p.137–143, 2016.
Bauernhansl, T., Ten Hompel, M. and Vogel-Heuser, B. eds., 2014. Industrie 4.0 in produktion, automatisierung und logistik: Anwendung-Technologien-Migration (pp. 1-648). Wiesbaden: Springer Vieweg.
Brettel, M., Friederichsen, N., Keller, M. and Rosenberg, M., 2017. How virtualization, decentralization and network building change the manufacturing landscape: an industry 4.0 perspective. FormaMente, 12.
Büyüközkan, G., & Güler, M. (2020). Analysis of companies’ digital maturity by hesitant fuzzy linguistic MCDM methods. Journal of Intelligent & Fuzzy Systems, 38(1), 1119-1132. http://dx.doi.org/10.3233/JIFS-179473.
Cachada, A., Barbosa, J., Leitño, P., Gcraldcs, C.A., Deusdado, L., Costa, J., Teixeira, C., Teixeira, J., Moreira, A.H., Moreira, P.M. and Romero, L., 2018, September. Maintenance 4.0: Intelligent and predictive maintenance system architecture. In 2018 IEEE 23rd international conference on emerging technologies and factory automation (ETFA) (Vol. 1, pp. 139-146). IEEE.
Calà, A.L.A., Luder, A., Boschi, F., Tavola, G. and Taisch, M., 2018, May. Migration towards digital manufacturing automation—an assessment approach. In 2018 IEEE Industrial Cyber-Physical Systems (ICPS) (pp. 714-719). IEEE.
Freitas, L. F. "Elaboração de um plano de manutenção em uma pequena empresa do setor metal mecânico de Juiz de Fora com base nos conceitos da manutenção preventiva e preditiva". Monografia em Engenharia Mecânica -Universidade Federal de Juiz de Fora, 96p., 2016.
Fritsch, C. and Ribeiro, J.L.D., 1998. PROCONF: um software orientado para análises de confiabilidade. Encontro nacional de engenharia de produção, 18.
Fogliato, F. and Ribeiro, J.L.D., 2009. Confiabilidade e manutenção industrial. Elsevier Brasil..
Ghobakhloo, M. and Fathi, M., 2019. Corporate survival in Industry 4.0 era: the enabling role of lean-digitized manufacturing. Journal of Manufacturing Technology Management.
Hu, R.L., Granderson, J., Auslander, D.M. and Agogino, A., 2019. Design of machine learning models with domain experts for automated sensor selection for energy fault detection. Applied energy, 235, pp.117-128.
King, R.W. and Magid, J., 2013. Industrial Hazard and Safety Handbook:(Revised Impression). Elsevier.
Jasiulewicz-Kaczmarek, M., Legutko, S. and Kluk, P., 2020. Maintenance 4.0 technologies–new opportunities for sustainability driven maintenance. Management and production engineering review, 11.
Jasiulewicz-Kaczmarek, M., Antosz, K., Zhang, C. and Waszkowski, R., 2022. Assessing the Barriers to Industry 4.0 Implementation From a Maintenance Management Perspective-Pilot Study Results. IFAC-PapersOnLine, 55(2), pp.223-228.
Lee, J., Bagheri, B. and Kao, H.A., 2015. A cyber-physical systems architecture for industry 4.0-based manufacturing systems. Manufacturing letters, 3, pp.18-23.
Marques, A.C. and Brito, J.N., 2019. Importância da manutenção preditiva para diminuir o custo em manutenção e aumentar a vida útil dos equipamentos. Brazilian Journal of Development, 5(7), pp.8913-8923.
Martins, H., Dias, Y., Castilho, P. and Leite, D., 2019. Transformações digitais no Brasil: insights sobre o nível de maturidade digital das empresas no país. McKinsey & Company.
Nunes, A.R., Morais, H. and Sardinha, A., 2021. Use of Learning Mechanisms to Improve the Condition Monitoring of Wind Turbine Generators: A Review. Energies, 14(21), p.7129.
Ooi, B.Y., Beh, W.L., Lee, W.K. and Shirmohammadi, S., 2020. A parameter-free vibration analysis solution for legacy manufacturing machines’ operation tracking. IEEE Internet of Things Journal, 7(11), pp.11092-11102.
Omshi, E.M., Grall, A. and Shemehsavar, S., 2020. A dynamic auto-adaptive predictive maintenance policy for degradation with unknown parameters. European Journal of Operational Research, 282(1), pp.81-92.
Rokhforoz, P. and Fink, O., 2022. Maintenance scheduling of manufacturing systems based on optimal price of the network. Reliability Engineering & System Safety, 217, p.108088.
Santos, M.C.D., 2019. Desenvolvimento de um plano de manutenção preventiva e preditiva para a melhoria da confiabilidade de um processo industrial automatizado. Dissertação de Mestrado, Faculdade Tecnológica, Brasília, DF.
Santos, M.M.D.M., Silva, E.D.C., Ferreira, G.D., Silva, R.M.G. and Andrade, P.C.D.R., 2017. Modelagem do tempo de vida de um inversor de frequência. ForScience: revista científica do IFMG, Formiga, 5(3), p.e00288.
Sellitto, M.A., 2005. Formulação estratégica da manutenção industrial com base na confiabilidade dos equipamentos. Production, 15, pp.44-59.
Silva, E.D.B., 2018. Manutenção centrada em confiabilidade visando a competitividade em uma indústria moedora de grãos na região dos Campos Gerais (Bachelor's thesis, Universidade Tecnológica Federal do Paraná).
Sjödin, D. R., Parida, V., Leksell, M., & Petrovic, A. (2018). Smart factory implementation and process innovation: a preliminary maturity model for leveraging digitalization in manufacturing moving to smart factories presents specific challenges that can be addressed through a structured approach focused on people, processes, and technologies. Research Technology Management, 61(5), 22-31. http://dx.doi.org/10.1080/08956308.2018.1471277
Stradioto, L. and Frazzon, E.M., 2023. Digital transformation in Brazilian industry: bridging theory and practice. Production, 33.
Susto, G.A., Beghi, A. and De Luca, C., 2012. A predictive maintenance system for epitaxy processes based on filtering and prediction techniques. IEEE Transactions on Semiconductor Manufacturing, 25(4), pp.638-649.
Toro, C., Barandiaran, I. and Posada, J., 2015. A perspective on knowledge based and intelligent systems implementation in industrie 4.0. Procedia Computer Science, 60, pp.362-370.
Vieira, C.G., Bandeira, J.V.M., Castro, M.S. and de Resende Andrade, P.C., 2020. Análise dos tempos de falha de uma empacotadora em indústria de beneficiamento de café. Revista da Universidade Vale do Rio Verde, 1(18), pp.681-690.
Wang, J., Xu, M., Zhang, C., Huang, B. and Gu, F., 2020. Online bearing clearance monitoring based on an accurate vibration analysis. Energies, 13(2), p.389.
