Descubra como um dos 10 maiores produtores de papel do mundo reduziu custos e tempo de inatividade por meio da manutenção preditiva de máquinas com a ajuda da Orbit AI
O desafio
Um dos 10 maiores produtores de papel do mundo não estava aproveitando completamente seu potencial de produção devido aos altos custos e à imprevisibilidade da manutenção de máquinas. A cada seis anos, a empresa costumava realizar manutenção leve, com um custo aproximado de $3,4 milhões. A manutenção mais significativa, que custava cerca de $7 milhões, ocorria a cada 12 anos. Além disso, o cliente precisava interromper as operações por 10 dias a cada ano devido a requisitos regulatórios.
Como não podiam prever antecipadamente qual máquina precisaria de manutenção, o cliente precisava solicitar serviços de manutenção urgentes (e consequentemente mais caros), levando a um tempo de inatividade inesperado e comprometendo a eficiência operacional. Eles já haviam tentado resolver o problema adotando uma solução gerenciada por terceiros para algumas de suas máquinas, mas os altos custos impediam sua escalabilidade em toda a fábrica.
Com a Inteligência Artificial (IA) e Machine Learning (ML) ganhando destaque na agenda dos CIOs da indústria de manufatura (Gartner, 2023), fazia sentido buscar uma consultoria e serviços de TI confiável e experiente para ajudá-los a enfrentar esse grande desafio com novas tecnologias. Eles se associaram à e-Core com o objetivo de identificar anomalias menores nos equipamentos e realizar uma manutenção mais precisa durante o fechamento anual obrigatório de 10 dias, estendendo assim o intervalo para manutenções mais significativas.
A solução
Com a ajuda das soluções de Orbit AI da e-Core, o projeto começou com uma exploração minuciosa dos dados. Aproveitando o AWS SageMaker, criamos uma solução altamente escalável para atender a várias máquinas da fábrica, permitindo modelos preditivos personalizados para cada uma delas. Essa abordagem melhorou a eficiência de custos, uma vez que o cliente só precisa pagar pelos momentos de previsão e uso de instâncias de computação associados, eliminando a necessidade de contratos caros e não escalonáveis com terceiros.
O pré-processamento dos dados foi realizado para prepará-los para o modelo DeepAR. A seleção do modelo baseou-se na métrica de erro absoluto médio, resultando na escolha da configuração com melhor desempenho. Um modelo de aprendizado profundo usando o algoritmo de previsão DeepAR foi implementado para prever várias séries temporais, utilizando dados de 92 séries distintas obtidos de vários sensores da fábrica. Para otimizar o desempenho do modelo, um processo de ajuste fino explorou sistematicamente diferentes hiperparâmetros.
Após o treinamento, desenvolvemos um pipeline flexível para facilitar a criação futura de modelos para diferentes sensores e máquinas. Embora a conexão e a automação de cada etapa do processo tenham sido complexas, nossa equipe conseguiu projetar com sucesso um sistema escalonável para previsões futuras. Além disso, a estrutura oferece a capacidade de retreinar o modelo, melhorando significativamente a precisão das previsões ao longo do tempo.
A e-Core reconhece que os modelos de aprendizado de máquina podem se beneficiar de melhorias contínuas, e o pipeline implementado está equipado para suportar esse processo iterativo.
Os resultados
Os benefícios da manutenção preditiva são verdadeiramente transformadores. Imagine as máquinas em sua instalação funcionando sem interrupções e com economia de custos que impulsionam seus resultados financeiros.
A primeira vantagem está na melhoria da eficiência operacional, onde o tempo de inatividade se torna uma ocorrência rara. Ao criar previsões a partir dos dados dos sensores, a manutenção das máquinas atinge um novo patamar e concede um benefício valioso: uma vida útil estendida para as máquinas. Isso resultou em uma redução notável no tempo de inatividade, um aumento na produtividade e economias substanciais a longo prazo. Se a manutenção a cada seis anos for estendida para oito anos e a manutenção a cada 12 anos puder ser estendida para 15 anos, as economias podem chegar a quase $260.000 para um único equipamento.
A impressionante precisão alcançada – 80% ou mais – na antecipação das necessidades de manutenção resultou em uma redução significativa no tempo de inatividade não planejado, estimado em cerca de 20% a 40%. O impacto financeiro é igualmente impressionante, com um atrativo retorno sobre o investimento do projeto: a empresa prevê economias de quase $850.000 por ano para as unidades de negócios que adotaram a manutenção preditiva. O projeto tem um custo de aproximadamente $70.000, com um retorno do investimento esperado em 6 a 8 meses.
Let's talk!
Nossas soluções podem transformar e acelerar o crescimento do seu negócio.
Preencha o formulário para receber o contato de um de nossos especialistas!
