A manutenção sempre foi um enigma para os setores com uso intensivo de ativos: embora um tempo de atividade (“uptime”) alto seja crítico para garantir o retorno dos ativos, esses setores frequentemente envolvem circunstâncias difíceis e imprevisíveis. Os equipamentos de mineração precisam funcionar em ambientes desafiadores, por exemplo. As usinas de energia enfrentam regimes operacionais duros. Os setores de refino e de produtos químicos devem processar materiais exigentes. Essas condições colocam as máquinas sob pressão, e os altos gastos com manutenção preventiva e reativa necessários para mantê-las saudáveis podem prejudicar a lucratividade.
Há mais de duas décadas, as empresas veem a manutenção preditiva (PdM, na sigla em inglês de “predictive maintenance”) como uma panaceia, seduzidas pela ideia de que podem prever falhas muito antes de elas ocorrerem. Elas esperam que isso lhes permitirá planejar melhor o tempo de inatividade (“downtime”) ou até mesmo evitá-lo, aumentando o tempo de atividade e, ao mesmo tempo, reduzindo custos desnecessários de manutenção preventiva e corretiva. No entanto, embora muitas empresas tenham realizado programas-piloto isolados, poucas foram capazes de implementar a PdM em escala em todas as suas operações.
Há muitas coisas que podem impedir o sucesso de um programa de PdM em larga escala, sendo que a maioria das empresas enfrenta problemas em uma ou mais das seguintes categorias amplas:
- Os dados são insuficientes, inacessíveis ou de baixa qualidade
- A tecnologia é inadequada, com uma quantidade excessivamente pequena de sensores ou uma infraestrutura de TI deficiente
- A priorização é difícil, pois as empresas não têm uma visão clara de quais ativos incluir em seus programas de PdM
- Há falta de recursos, sobretudo de engenheiros de dados e cientistas de dados qualificados, necessários para desenvolver modelos avançados de analytics
- A gestão de mudanças é fraca, muitas vezes em virtude de um design não amigável ao usuário
- O retorno econômico é baixo devido ao alto custo do desenvolvimento de modelos que sirvam para ativos heterogêneos e aos muitos modos de falha em potencial
Predição do sucesso
Superar esses desafios requer uma abordagem sistemática e holística do design, desenvolvimento e implementação da PdM. Essa abordagem parte de uma compreensão clara da base de ativos da organização e de seus objetivos de confiabilidade. As empresas também precisam reconhecer que a PdM abrange uma ampla gama de abordagens tecnológicas e de analytics, com diferentes níveis de complexidade, custos e benefícios (Quadro 1).
Os sistemas PdM 4.0, mais maduros e voltados a todos os ativos, ainda são raros hoje em dia. Eles requerem um investimento substancial em P&D, além de um profundo conhecimento do setor, acesso a dados relevantes e experiência operacional prática. Embora trazer um parceiro com um histórico comprovado reduza substancialmente o custo da implementação e da adoção, os players que devem se beneficiar mais dessa abordagem sofisticada costumam ter diversas características em comum:
- Múltiplos ativos ou instalações com certo grau de similaridade, o que gera vantagens de escala, como replicação de modelos e compartilhamento de dados e melhores práticas
- Crescimento restringido pelos ativos, sem limitação comercial para vender mais produtos – de modo que a produção adicional se converte em vendas adicionais
- Uma gama ampla e diversificada de causas de tempo de inatividade que precisam ser tratadas para que se atinja um impacto considerável
- Modos de falha de alto valor (p. ex., em equipamentos críticos) que ocorrem com baixa frequência a cada ano, o que torna mais difícil uma predição precisa pelos métodos tradicionais ou as abordagens típicas de IA
Acreditamos que chegou a hora de mais organizações avançarem em direção a níveis mais altos de maturidade em PdM. Apesar de os obstáculos ao sucesso permanecerem, vários desenvolvimentos recentes reduziram a extensão deles e reforçaram a justificativa econômica dessa abordagem. Esses desenvolvimentos incluem sensores mais baratos e mais prontamente disponíveis, maior disponibilidade de dados, maior poder de processamento, um pool gradualmente crescente de talentos em advanced analytics e um ecossistema mais forte de parceiros técnicos que vêm investindo na propriedade intelectual necessária para industrializar ainda mais o processo de desenvolvimento de modelos de manutenção preditiva.
Com base em nossa experiência de trabalho com indústrias de diversos setores, identificamos cinco regras de ouro para uma implementação bem-sucedida da manutenção preditiva em escala.
- Seja criterioso com relação a quais ativos incluir
- Pense nos parceiros certos
- Dê tempo suficiente para melhorar os modelos
- Coloque as pessoas em primeiro lugar
- Insira a manutenção preditiva no ecossistema digital mais amplo da organização
Regra de ouro 1: escolha os ativos cuidadosamente
Embora já esteja comprovado que as implementações de PdM de níveis 3.0 e 4.0 funcionam em escala, para proporcionarem um retorno atraente sobre o investimento, elas requerem um certo nível de capacidade em Internet das coisas (IoT), um longo histórico de dados e um tempo de inatividade de valor suficiente. É esse o caso em contextos como instalações de óleo e gás upstream, grandes refinarias, instalações petroquímicas e de geração de energia, fábricas de papel e operações de mineração. Contudo, a manutenção preditiva pode não ser a estratégia de manutenção mais econômica neste momento para alguns outros setores e ativos. Em última análise, a decisão de onde implementar a PdM requer uma validação ativo por ativo das possíveis vantagens e da disponibilidade de dados.
Acreditamos que as empresas podem priorizar os ativos que atendem aos três critérios a seguir. Em primeiro lugar, eles são críticos para as operações, o que significa que as falhas podem resultar em perda imediata de produção. A título de exemplo, uma pane em um equipamento rotativo de refinaria de petróleo costuma causar o desligamento instantâneo da unidade ou mesmo do complexo todo. Em segundo lugar, os ativos têm um grau suficiente de cobertura de sensores e disponibilidade de dados. Para cada ativo que esteja sendo cogitado para PdM, a organização deve validar a quantidade e os tipos dos sensores instalados, a disponibilidade e recuperabilidade dos dados históricos e a conectividade dos dados online, antes de decidirem se os ativos são adequados para o desenvolvimento de modelos. Em terceiro lugar, trata-se de ativos que demonstraram anteriormente um número suficiente de falhas ou de comportamentos anômalos. Para criarem modelos de machine learning, os cientistas de dados precisam aprender com os comportamentos históricos. Ativos com pouco histórico de falhas dificultam muito o desenvolvimento de modelos de machine learning relevantes.
Empresas bem-sucedidas de diversos setores estão seguindo esses critérios ao priorizarem ativos para PdM. Por exemplo, uma empresa de energia renovável priorizou as caixas de engrenagens de suas turbinas eólicas, uma empresa de petróleo e gás da Ásia priorizou equipamentos rotativos críticos (como o soprador de ar principal, compressores, turbinas a gás e bombas) e várias empresas de mineração selecionaram os motores de caminhões basculantes e escavadeiras como os equipamentos críticos para suas implementações de PdM.
Regra de ouro 2: os parceiros tecnológicos importam
Quanto mais sofisticada a abordagem da manutenção preditiva, mais ela requer um histórico comprovado, desenvolvido por meio de pesados investimentos em conhecimentos, dados e desenvolvimento. A PdM 4.0 , possivelmente, mais difícil de dominar do que a maioria dos casos de uso digitais e de analytics devido à complexidade da modelagem inicial, da implementação de modelos e da manutenção contínua dos modelos.
Além da implementação técnica, a outra metade do desafio está no trecho final: a gestão de mudanças envolvida em garantir que as ferramentas de PdM estejam gerando valor significativo e tangível está longe de ser trivial. O parceiro certo pode ajudar a evitar disrupções na adoção da PdM – por exemplo, dando treinamento sob medida ao pessoal envolvido e, ao mesmo tempo, envolvendo-o durante toda a implantação para garantir a adesão, ou então integrando a PdM aos sistemas de fluxo de trabalho existentes (Quadro 2).
Como o valor da confiabilidade para as grandes indústrias costuma residir em uma ampla variedade de equipamentos e modos de falha, é necessário um conjunto grande e complexo de modelos de PdM. Raramente faz sentido desenvolver esses modelos internamente, sobretudo a partir do zero. Em vez disso, existem parceiros que podem fornecer dados e propriedade intelectual substanciais, reduzindo significativamente o tempo até o impacto e o investimento necessário. Alguns desses fornecedores surgiram, eles próprios, em setores com uso intensivo de ativos e têm ofertas de tecnologia e PI baseadas em anos de experiência no desenvolvimento e implementação de PdM em aplicações em larga escala no mundo real.
Regra de ouro 3: dê tempo à melhoria contínua
Embora a criação de um conjunto inicial de modelos preditivos para os ativos de uma organização seja um investimento substancial, ela é apenas a primeira etapa de um processo permanente de aperfeiçoamento e melhoria contínuos. Durante esta fase pós-implementação, as empresas geralmente procuram melhorar três aspectos de seus sistemas de PdM:
- Precisão. TTrata-se da fração dos alertas gerados pelo sistema que correspondem a um problema real no ativo. Nas primeiras iterações, os modelos de PdM frequentemente geram um número significativo de alarmes falsos. Com o tempo, esse comportamento pode prejudicar a confiança das equipes operacionais no modelo, gerando o risco de elas passarem a ignorar os avisos gerados pelo sistema. Para evitar isso, a equipe operacional precisa trabalhar com a equipe de PdM na iniciativa de implantação. O feedback constante dela permitirá que os modeladores aumentem a precisão e garantam que as recomendações fornecidas pelo modelo sejam precisas e acionáveis.
- Recall. Trata-se da fração dos problemas que o ativo apresenta na vida real e que são previstos pelo modelo. O recall é a métrica que indica mais diretamente a captura de valor, mas costuma haver uma relação inversa com a precisão. Um modelo que gere muitos alarmes pode detectar todas as falhas (alto recall), mas frequentemente está errado e pode não ser confiável (baixa precisão). Com uma equipe multidisciplinar e um feedback claro das operações, os modelos podem passar por um ajuste fino para atingirem o melhor equilíbrio.
- Abrangência. Um sistema de manutenção preditiva só é valioso quando prevê os modos de falha que causam perda de valor. Em ambientes grandes, industriais, isso geralmente significa uma cauda longa de causas-raiz em diversos processos e máquinas, a qual muda lentamente com o envelhecimento das instalações e a evolução dos processos, das máquinas, do software e do comportamento das pessoas. Para um sistema de PdM de larga escala, são necessários muitos modelos para capturar um valor substancial em uma instalação (frequentemente, mais de cem). Diante disso, pode-se cogitar e buscar uma implementação contínua de modelos que abordem novas causas-raiz.
Regra de ouro 4: coloque as pessoas em primeiro lugar
Uma implementação bem-sucedida da manutenção preditiva requer não apenas o desenvolvimento de modelos precisos, mas também novos processos e mentalidades para incorporar as mudanças. Aliás, uma gestão de mudanças que coloque o usuário no centro da implementação é o fator de sucesso mais crítico para garantir a adoção em escala e alcançar um impacto sustentável.
Cinco elementos, em conjunto, constituem um programa de gestão de mudanças que respalda a implantação da PdM (Quadro 3). O primeiro é um redesenho de ponta a ponta dos processos, com o objetivo de deixar claras as funções e responsabilidades pós-implementação com base no input de desenho coletivo de equipes multifuncionais. O segundo é a capacitação contínua para dotar a organização das habilidades técnicas imediatas necessárias à solução digital, a qual também aborda a necessidade de longo prazo de um pool interno de talentos para engenharia de dados, ciência de dados e design thinking.
Terceiro: geralmente são necessários novos KPIs e incentivos que olhem para além das questões técnicas (como a precisão dos modelos) e se concentrem, em vez disso, em indicadores de resultados e de tendências mais amplos, como a redução do tempo de inatividade não planejado, o cumprimento dos cronogramas internos dos processos de manutenção e o índice de adoção da solução. Algumas empresas chegam a usar gamificação digitalizada para incentivar a adoção e o uso por parte dos usuários.
Quarto: a alta administração também tem a tarefa de transformar sua mentalidade coletiva para atuar como modelo da nova maneira de trabalhar e deixar seu compromisso com a PdM visível para todos. Por fim, o envolvimento dos diversos níveis da organização pode ser promovido por uma narrativa cuidadosamente elaborada sobre a mudança, aliada a comunicações e campanhas omnicanal regulares e a pequenos conteúdos de microaprendizagem.
Regra de ouro 5: integre a PdM ao ecossistema digital
Por mais sofisticado que seja, o sistema de PdM somente gerará valor se gerar uma resposta no campo: um conjunto de ações que são claramente derivadas do alarme gerado pelo sistema. À medida que um sistema de PdM é escalonado, fica cada vez mais difícil gerenciar essas ações sistematicamente. Isso significa criar vínculos estreitos entre os sistemas de PdM e outras partes do ecossistema de manutenção digital (Quadro 4). Em particular, as empresas líderes estão integrando tecnologias de manutenção preditiva a sistemas novos ou existentes de gestão digital do trabalho (DWM, na sigla em inglês de “digital work management”).
As conexões entre PdM e DWM funcionam nas duas direções. Os alarmes de manutenção preditiva devem desencadear ordens de serviço no sistema de DWM, por exemplo, para garantir que sejam tomadas medidas para evitar falhas. E os resultados dessas ações devem, então, ser enviados de volta à equipe que gerencia o sistema de PdM, possibilitando que ela melhore seu desempenho continuamente. A combinação de PdM e DWM permite que o desempenho e o impacto do sistema sejam medidos de forma eficaz, exigindo a prestação de contas e justificando os investimentos.
A integração estreita também ajuda as empresas a melhorar as capacidades de seus sistemas de PdM e a eficácia de seus processos de manutenção. As lições aprendidas com as panes ou intervenções de manutenção podem ser armazenadas em uma base de conhecimentos e compartilhadas entre diferentes equipes, ativos e instalações. O sistema de DWM também auxilia no planejamento proativo de desenvolvimentos contínuos da PdM, ajudando as equipes a identificar e priorizar oportunidades de expandirem os ativos e os modos de falha abordados pelo sistema. Ademais, os planejadores podem adaptar e otimizar suas estratégias de manutenção preventiva para tirar máximo proveito das crescentes capacidades preditivas delas.
Embora muitas empresas achem difícil fazer a manutenção preditiva funcionar em escala, a experiência dos pioneiros na adoção mostra que o sucesso é possível. Ao priorizarem os ativos criteriosamente, estabelecerem as parcerias certas com os fornecedores, investirem tempo suficiente na melhoria dos modelos, colocarem as pessoas em primeiro lugar e integrarem a PdM a seu ecossistema de manutenção digital mais amplo, os melhores players industriais indicaram o caminho, obtendo valor tanto do maior tempo de atividade quanto dos custos de manutenção reduzidos.
