Refrigeração industrial · Croácia · 2023
Manutenção preditiva acessível com R open-source em PMEs de refrigeração industrial
Pesquisadores construíram um sistema de apoio à decisão (DSS) de manutenção preditiva usando R open-source e validaram com PMEs — mostrando um caminho viável em custo, com a integração à operação como principal desafio.
Contexto
PMEs que operam equipamentos de refrigeração industrial em regime contínuo enfrentam um dilema: paradas não previstas geram prejuízo, mas soluções proprietárias de manutenção preditiva têm custo incompatível com o porte. O projeto propôs e validou um DSS construído inteiramente com pacotes open-source em R.
O problema prioritário
Detectar desvios do funcionamento ótimo cedo o suficiente para intervir, sem o custo de licenças proprietárias e sem depender de um time grande de ciência de dados.
Objetivo do projeto
Entregar um DSS acessível, adaptável e ajustável, capaz de gerar predições e recomendações de manutenção em tempo hábil, e validá-lo com PMEs como usuárias potenciais.
Passo a passo da jornada
- Levantar indicadores por entrevistas — Conduziram entrevistas em profundidade com mantenedores e operadores para identificar as variáveis críticas e suas faixas normais de operação — base para simular o conjunto de dados inicial.
- Instrumentar com IoT — Instalaram sensores para variáveis críticas (temperatura, pressão, vibração, consumo) e estabeleceram a coleta contínua em tempo real.
- Preparar e rotular os dados — Limparam os dados, identificaram pontos aberrantes e rotularam o conjunto distinguindo operação normal de desvio.
- Treinar o modelo — Dividiram o conjunto rotulado em treino e validação, treinaram um modelo de filtragem colaborativa e ajustaram hiperparâmetros para melhorar desempenho.
- Gerar predições e recomendações — Passaram a reportar desvios em tempo hábil, recomendando correção direta (autocorreção) ou indireta (intervenção do operador) — com o humano mantido no loop.
- Validar com PMEs e iterar — Validaram o DSS em estudo de caso de refrigeração industrial e coletaram feedback de PMEs como usuárias potenciais, ajustando custo, precisão e nível de customização.
Dados necessários
- Leituras contínuas de temperatura, pressão, vibração e consumo
- Faixas normais de operação levantadas em entrevistas em profundidade
- Conjunto de dados rotulado (normal × desvio), parcialmente simulado a partir das entrevistas
Ferramentas e arquitetura
Barreiras enfrentadas
- Esforço de integrar a ferramenta open-source à infraestrutura e à rotina operacional existente
- Ausência de histórico suficiente de falhas rotuladas para treino
- Risco de buscar autocorreção automática antes de validar a confiabilidade das predições
Aprendizados-chave
- É viável começar com prova de conceito sobre dados simulados ou histórico existente — não é preciso esperar pelo dataset perfeito.
- O custo de integrar à operação deve ser tratado como parte do projeto desde o dia 1; foi a maior dor relatada pelas PMEs.
- Manter o operador no loop (correção indireta) é mais seguro no início do que partir direto para autocorreção.