Setores que fazem uso intensivo de ativos – a indústria química, por exemplo, ou de petróleo, gás, mineração, metais, papel e celulose e produção de energia – têm recorrido a novas tecnologias num esforço para aumentar a confiabilidade e disponibilidade de seus equipamentos, e manter os custos de manutenção sob controle. Utilizando ferramentas digitais e recursos de advanced analytics lado a lado com as tradicionais técnicas lean, essas indústrias aspiram antever e prevenir falhas de equipamentos, aumentar a produtividade da mão de obra e simplificar o gerenciamento de fornecedores terceirizados.
Quando as empresas cumprem todos os requisitos, os resultados podem ser impressionantes. Empresa líderes em diversos setores da indústria pesada têm utilizado ferramentas digitais para reduzir drasticamente as paralisações não planejadas e aumentar a produtividade dos trabalhadores de manutenção. A maior disponibilidade de tais ferramentas e uma força de trabalho mais eficiente aumentaram a lucratividade em 4% a 10% em algumas organizações.
Contudo, esses exemplos notáveis são a exceção, não a regra. Muitas empresas que implementaram soluções digitais de manutenção e confiabilidade obtiveram pouco impacto mensurável. O que faz a diferença?
Em nossa experiência, as implementações mais bem-sucedidas de manutenção e confiabilidade digital possuem três características em comum. Primeiro, essas empresas têm uma visão holística das novas ferramentas, incorporando tecnologias digitais a uma visão claramente definida do futuro da função de manutenção e confiabilidade. Segundo, elas focam dois domínios que já se mostraram realmente eficazes em aplicações industriais pesadas: a manutenção preditiva e a gestão digital do trabalho (DWM, na sigla em inglês). Por fim, elas privilegiam o uso de ferramentas digitais garantindo a existência dos capacitadores necessários – incluindo fluxos de trabalho otimizados, uma infraestrutura de dados robusta e a capacitação de seu pessoal (veja Quadro).
Um exame mais atento dessa abordagem revela algumas das coisas que as primeiras empresas a adotar ferramentas digitais fizeram corretamente ao longo do amplo processo de transformação de suas funções de manutenção e confiabilidade. Em particular, seu foco foi o valor gerado pela manutenção preditiva e pela gestão digital do trabalho, valendo-se dessas ferramentas digitais para reimaginar processos inteiros e atender melhor às necessidades dos usuários.
Gestão digital do trabalho: como trabalhar melhor e de maneira mais rápida e econômica
A gestão digital do trabalho (DWM) abrange uma ampla gama de sistemas que aprimoram as tarefas de manutenção, envolvendo desde a identificação e o planejamento do trabalho até cronogramas, gerenciamento de materiais, expedição, execução e fechamento de ordens de serviço. Normalmente, o DWM é integrado ou sobreposto à plataforma existente de planejamento dos recursos empresariais (ERP). O sistema de ERP atua como fonte de grande parte dos dados fundamentais utilizados no DWM, incluindo dados estruturados referentes a equipamentos, estoque de peças sobressalentes, pessoal e cronogramas de manutenção preventiva.
Assim, o sistema de DWM otimiza a priorização, planejamento e designação de tarefas, a obtenção de licenças, os cronogramas e a expedição, levando em conta limitações como a competência do pessoal de manutenção e disponibilidade de peças. Esses sistemas também dão suporte à execução em campo mediante dispositivos móveis ou mecanismos de realidade aumentada que orientam os funcionários na realização de suas tarefas, coletando dados detalhados sobre a condição dos ativos e aumentando a precisão e a velocidade do fechamento das ordens de serviço e do pagamento dos contratados.
Sistemas bem-sucedidos de gestão digital do trabalho agregam valor por aumentarem a eficiência dos funcionários de manutenção internos e externos, reduzirem o tempo planejado de indisponibilidade dos equipamentos otimizando os momentos de inatividade ou interrupção, e criarem a oportunidade de requalificar os funcionários de manutenção. Juntas, essas alavancas podem chegar a reduzir os custos em 15% a 30%. Entre seus benefícios secundários estão o aumento da eficácia do procurement e do gerenciamento do capital de giro devido à maior visibilidade do estoque.
Como funcionou a gestão digital do trabalho em uma empresa de produtos químicos
Certa empresa global de produtos químicos introduziu um sistema suplementar de DWM que se comunicava de forma integrada com a plataforma de ERP. Implementado em apenas cinco semanas, incluindo o período de treinamento dos usuários, o novo sistema transformou o planejamento, os cronogramas e as tarefas de manutenção da empresa. A produtividade do departamento de planejamento e programação de manutenção aumentou 30%, e a organização dobrou o número de tarefas de manutenção concluídas no prazo.
Para maximizarem o impacto de seus investimentos em DWM, organizações de sucesso como esta empreendem uma série de ações essenciais. A mais importante é o redesenho de seus processos de manutenção em paralelo com a introdução da nova tecnologia. Redesenhar o processo para tirar máximo proveito da tecnologia de DWM quase sempre produz resultados mais eficientes do que a mera digitalização dos processos em papel existentes.
Tirando máximo proveito do DWM
Para desenhar e implementar com sucesso o novo sistema e os novos processos, a organização deve assumir uma perspectiva centrada ao mesmo tempo no valor e no usuário. Embora o objetivo primordial do DWM seja reduzir o desperdício e resolver aspectos problemáticos do negócio, isso não acontecerá se o grau de adoção for insuficiente. Portanto, para funcionar, o sistema também precisa facilitar a vida dos usuários (p.ex., as equipes de manutenção e operações, ou os contratados externos). Isso requer um bom entendimento de suas práticas de trabalho, desafios e dificuldades.
Por fim, empresas bem-sucedidas conseguem construir uma forte integração bidirecional entre suas ferramentas de DWM e seus demais sistemas (p.ex., os sistemas computadorizados de gerenciamento de manutenção). Isso assegura que os dados capturados em campo se tornarão parte dos dados mestres da organização e poderão ser acessados e analisados para ajudar a monitorar as condições e a eficiência geral dos equipamentos (OEE), e para analisar as causas-raiz dos problemas de confiabilidade.
A manutenção preditiva pode evitar falhas
A manutenção preditiva, que utiliza ampla gama de métodos para detectar os primeiros sinais de problemas em equipamentos, permite que os operadores e o pessoal de manutenção ajam antes que uma falha ocorra. Hoje, na indústria pesada, as técnicas de manutenção preditiva se tornaram comuns, embora a maioria das empresas utilize abordagens de baixa maturidade [isto é, mais imediatistas], como sensores em máquinas que disparam um alarme quando certo limiar de vibração ou temperatura é excedido. Abordagens mais avançadas buscam antever falhas analisando dados dos sensores para identificar aspectos característicos dos modos de falha conhecidos. Em um nível de maturidade mais elevado, um sistema de manutenção preditiva aplicará uma matriz de técnicas de machine learning e advanced analytics para identificar e categorizar problemas, fornecendo insights acionáveis para as equipes de operação e manutenção.
Programas bem-sucedidos de manutenção preditiva reduzem a necessidade de intervenções planejadas e não planejadas de manutenção. Isso diminui os custos de manutenção e aumenta a produção e o rendimento dos equipamentos (algo especialmente valioso para equipamentos cuja capacidade seja limitada). Além disso, esses programas podem aumentar a vida útil de componentes de alto custo e reduzir os riscos de segurança provocados por falhas em máquinas.
A manutenção preditiva produz resultados positivos em indústrias de petróleo e gás
Uma importante operadora offshore de petróleo e gás introduziu um sofisticado sistema de manutenção preditiva em nove plataformas na África e na América Latina. Utilizando dados coletados em 30 anos de operações com plataformas, a empresa identificou os ativos críticos que desejava imunizar contra falhas. Em seguida, desenvolveu e refinou a abordagem de manutenção preditiva em uma plataforma antes de implementá-la em sua frota completa. O resultado foi uma redução média de 20% no tempo de inatividade e aumentos de produção da ordem de 500.000 barris de petróleo por ano – em uma frota de plataformas que já estava no quartil superior de desempenho do setor.
Esses resultados exigiram esforços significativos da ciência de dados. Ao longo de um período de dois anos, uma equipe de 10 a 15 cientistas de dados construiu mais de 500 modelos de advanced analytics. Cada modelo foi testado e refinado até atingir um nível aceitável de falsos positivos. Inicialmente, a precisão típica desses modelos era baixa demais para garantir sua aceitação pelos funcionários da linha de frente, mas os cientistas de dados e as equipes de manutenção trabalharam juntos, falha por falha, para aprimorar o desenho e eliminar os falsos positivos.
Embora os resultados de abordagens de manutenção preditiva de alta maturidade como esta tenham sido comprovados em escala, a complexidade de tal sistema não deve ser subestimada. Para que a implementação seja bem-sucedida, é preciso que já exista um certo patamar de histórico de dados, sensores ativados e streaming de dados quase em tempo real. Além disso, também é preciso que o custo do tempo de inatividade seja alto o suficiente para tornar atraente o retorno do investimento. Esses requisitos estão presentes em quase todas as instalações de petróleo e gás, grandes refinarias, plantas petroquímicas e operações similares de geração de energia (tradicional e renovável), fábricas de papel e mineradoras.
Outras alternativas de manutenção preditiva menos intensivas podem compensar as limitações dos dados
Para operações em que a manutenção preditiva não se mostrar econômica, métodos que façam uso menos intensivo de dados (p.ex., a detecção de anomalias) poderão ter sucesso como uma primeira etapa de manutenção preditiva. Esses métodos são de implementação mais rápida, embora seu poder preditivo seja significativamente menor, pois haverá um grande número de alarmes que são de baixa prioridade ou difíceis de solucionar. Dependendo da situação, isso provoca trabalhos desnecessários e reduz a confiança dos trabalhadores nas recomendações do sistema. Sistemas de manutenção preditiva de baixa maturidade geralmente oferecem apenas uma fração dos benefícios (10% ou menos) de um sistema integral de alta maturidade. Em última instância, para a empresa decidir onde e em que nível implementar a manutenção preditiva, ela deve confirmar para cada ativo os benefícios potenciais e a disponibilidade de dados.
Empresas com planos ambiciosos de manutenção preditiva também devem procurar os parceiros certos. A manutenção preditiva normalmente exige mais conhecimentos, dados e investimentos em desenvolvimento do que outros casos de uso digitais e de analytics. Além disso, como o valor da confiabilidade para indústrias de grande porte normalmente implica ampla gama de equipamentos e modos de falha, um grande e complexo conjunto de modelos de manutenção preditiva se faz necessário. Para a maioria das organizações, desenvolver e refinar esses modelos internamente será um processo caro e demorado demais. Em vez disso, existem parceiros capazes de fornecer propriedade intelectual e dados substanciais, reduzindo significativamente o investimento necessário e o tempo de impacto.
Assim como na gestão digital do trabalho, o aspecto humano da manutenção preditiva é tão importante quanto a tecnologia. Lado a lado com o desenvolvimento dos elementos de software e hardware do sistema, a empresa de petróleo e gás mencionada acima promoveu um amplo redesenho dos processos e um grande esforço de capacitação para medir o impacto da abordagem e incorporar novas maneiras de trabalhar em suas operações diárias. Em nossa experiência, essa estratégia de gestão das mudanças é uma peça essencial de toda implementação bem-sucedida de manutenção preditiva.
Por fim, as empresas líderes também integram a manutenção preditiva com suas outras operações e sistemas de manutenção. Idealmente, haverá um vínculo entre os sistemas de manutenção preditiva e de gestão digital do trabalho: cada resultado do sistema de manutenção preditiva deve ativar uma ordem de serviço no sistema de DWM; e os dados da gestão digital de trabalho devem ser utilizados para refinar e melhorar os modelos preditivos.
Impulsionar o potencial da tecnologia digital e de analytics em manutenção e confiabilidade não é uma tarefa fácil, mas empresas líderes da indústria pesada têm sido amplamente recompensadas por seus esforços. Em artigos futuros, examinaremos mais a fundo a gestão digital do trabalho e a manutenção preditiva para descobrir os segredos do sucesso em cada domínio.
