Mercedes-Benz eActros opera para Paulaner em Munique e arredores
22. Abril 2021Jungheinrich aumenta previsão para 2021 devido à forte demanda
23. Abril 2021• TGW aposta na monitorização do estado do robô de picking premiado Rovolution
• Gêmeo digital como inovação central na era da Indústria 4.0
(Marchtrenk) No âmbito do desenvolvimento da Indústria 4.0, o tempo de inatividade das instalações intralogísticas deve ser coisa do passado, uma vez que o estado de componentes importantes é monitorizado. A arte consiste em otimizar permanentemente a disponibilidade das instalações, enfatiza o Dr. Maximilian Beinhofer, chefe de Desenvolvimento de Sistemas Cognitivos na especialista em intralogística TGW, em uma conversa:
Quais são as desvantagens de realizar trabalhos de manutenção apenas quando um componente deixa de funcionar?
Dr. Maximilian Beinhofer: Nesse caso, falamos de manutenção corretiva. Isso pode resultar em uma máquina ou instalação estar parada parcial ou completamente. Isso significa que a disponibilidade é reduzida, o que pode trazer desvantagens econômicas para o usuário. Outro problema: pode ser necessário procurar o erro, o que consome tempo valioso.
Pode-se simplesmente trocar peças de desgaste regularmente…
Sim, isso é chamado de manutenção preventiva. Trata-se de estabelecer ciclos de manutenção ou troca com base em experiências anteriores. Isso garante uma disponibilidade muito alta das instalações. A desvantagem: os custos são mais altos, pois também são trocadas peças que ainda têm um estoque de desgaste. A grande arte é encontrar o momento ideal – tanto para o prestador de manutenção quanto para o receptor de manutenção. Uma boa solução é, portanto, o Condition Monitoring, ou seja, a monitorização do estado, bem como a manutenção preditiva. Com base em chamados gêmeos digitais, é considerada uma das inovações centrais na área da Indústria 4.0.
Como funciona a manutenção preditiva?
Com a ajuda da monitorização do estado dos componentes através de sensores, é possível representar no software se um problema está se aproximando. Idealmente, isso acontece em tempo real ou com um atraso mínimo. O cerne da nossa abordagem é: com algoritmos inteligentes, ou seja, métodos da área de Machine Learning e Data Science, conectamos ou fundimos os dados já existentes dos sensores de forma tão inteligente que podemos fazer afirmações muito precisas sobre o estado ou o desgaste dos componentes. Isso economiza custos, pois não precisamos instalar sensores adicionais.
Você tem um exemplo prático?
No nosso robô de picking premiado Rovolution, medimos o estado do vácuo na pinça. Se, por exemplo, devido à carga de poeira no ambiente, ocorrer uma perda de pressão, vemos isso imediatamente e podemos reagir.
Como lidar com instalações mais antigas que não possuem os sensores necessários?
Podem ser instalados sensores adicionais, por exemplo, para medir vibrações. Dependendo do tamanho da instalação, pode ser necessário de alguns poucos a mais de cem sensores, o que torna essencial realizar uma análise de viabilidade antecipadamente. No entanto, em princípio, também vale a pena mencionar que as instalações intralogísticas existentes podem ser atualizadas.
Qual é a diferença entre manutenção preditiva e prescritiva?
As duas abordagens se baseiam uma na outra. Como base da manutenção preditiva, é necessária a monitorização do estado. Não basta saber se um sensor está ocupado ou não. Trata-se de quão avançado está o desgaste. Uma vez que esses dados estão disponíveis, é possível criar uma previsão com software de manutenção preditiva, indicando que um componente, a partir de um determinado valor, ainda deve durar cerca de três meses. A manutenção prescritiva então dá a recomendação de fazer exatamente isso ou aquilo em três meses.
Quais são as principais vantagens da manutenção preditiva?
Em princípio, trata-se da otimização da disponibilidade das instalações com os menores custos possíveis. Além disso, o ciclo de feedback é continuamente melhorado. Algoritmos garantem que o sistema autoaprendente se otimize permanentemente.
Em quais áreas a manutenção preditiva é útil?
Em princípio, em toda a instalação. No entanto, os elementos conectivos são os mais interessantes. Se, por exemplo, um de dez postos de trabalho de coleta falhar, ainda há 90% da capacidade de picking disponível. Mas se um sistema de classificação falhar, pelo qual todos os produtos passam, isso significa uma parada imediata.
Quais são os desafios da manutenção preditiva?
Por um lado, trata-se de gerar o maior impacto com o menor esforço. Por outro lado, o desafio técnico é utilizar as redes da instalação de tal forma que os dados necessários possam ser transmitidos para o software de manutenção preditiva. O terceiro desafio são os ciclos de feedback. Quando ocorrem problemas na tecnologia de transporte, os técnicos no local devem relatar isso. Como fabricante, é necessário desenvolver métodos inteligentes para que o feedback ocorra imediatamente e também possa ser avaliado mecanicamente.
Como isso é garantido?
Para que os algoritmos possam ser treinados, é preciso saber exatamente quando uma manutenção foi realizada e o que exatamente foi feito. Caso contrário, o sistema acredita que uma melhoria ocorreu por conta própria. Este relatório não pode ser um texto livre formulado pelo técnico. Devem ser respostas padronizadas de um menu suspenso, pois são necessários dados legíveis por máquina para treinar o sistema de Machine Learning. Ao mesmo tempo, o ciclo de feedback deve ser rápido e fácil de usar, para que o técnico de manutenção possa fornecer o feedback rapidamente.
Para quais módulos a TGW desenvolve manutenção preditiva?
No robô de picking Rovolution, o Condition Monitoring já está disponível. Paralelamente, estamos desenvolvendo uma solução em nuvem especial para coleta e processamento de dados. Em princípio, trata-se de que, desde a mecatrônica até a TI, todos os dados devem ser coletados no futuro – naturalmente, respeitando as diretrizes do GDPR e a segurança dos dados. Coletamos os dados de vários clientes. Isso tem a vantagem de que um novo cliente se beneficia dos dados dos clientes existentes e recebe conselhos do software sobre o que deve fazer para otimizar sua instalação. No final do processo, está o gêmeo digital. Com isso, não apenas é possível analisar em modo de replay o que aconteceu, mas também ver em tempo real o que está acontecendo. Em um passo adicional, também é possível olhar para o futuro e fazer previsões.
Como a demanda por soluções na área de manutenção preditiva se desenvolverá?
O tema é atualmente popular. Acredito que, em cinco a dez anos, apenas instalações que oferecem esse serviço serão vendidas. Em grandes máquinas individuais, já é comum que um sensor de vibração seja utilizado. Nas instalações intralogísticas amplamente conectadas, atualmente ainda existem várias estratégias.
Os clientes veem o benefício e estão dispostos a pagar por esses serviços?
Acredito que, a longo prazo, os modelos de negócios por trás dos contratos de manutenção mudarão. As novas ferramentas e serviços oferecem vantagens para os clientes – e essas vantagens se tornarão visíveis no final na análise de custos totais (TCO, Total Cost of Ownership). Consequentemente, também ajustaremos nossos modelos de negócios.
Foto do título: © TGW / Legenda da imagem: PickCenter Rovolution da TGW: Condition Monitoring garante uma alta disponibilidade do robô de picking premiado.
Dr. Maximilian Beinhofer lidera a área de Desenvolvimento de Sistemas Cognitivos na sede do TGW Logistics Group em Marchtrenk, Áustria. Ele estudou Matemática nas universidades de Aachen e Freiburg e obteve seu doutorado na área de Informática em Robótica Probabilística. Em 2014, o cientista começou sua carreira na TGW como consultor de logística e TI. Desde 2016, ele lidera a equipe de desenvolvimento na área de Desenvolvimento de Sistemas Cognitivos.



Dr. Maximilian Beinhofer lidera a área de Desenvolvimento de Sistemas Cognitivos na sede do TGW Logistics Group em Marchtrenk, Áustria. Ele estudou Matemática nas universidades de Aachen e Freiburg e obteve seu doutorado na área de Informática em Robótica Probabilística. Em 2014, o cientista começou sua carreira na TGW como consultor de logística e TI. Desde 2016, ele lidera a equipe de desenvolvimento na área de Desenvolvimento de Sistemas Cognitivos.
