decidindo o momento oportuno da atuação da manu

Decidindo o momento oportuno da atuação da manutenção em equipamentos do processo de produção usando como suporte para o planejamento e a decisão:
Lógica Fuzzy
Rui Francisco Martins Marçal (UTFPR) [email protected]
Adiel Teixeira de Almeida (UFPE) [email protected]
Resumo
O artigo propõe o uso da Lógica Fuzzy como ferramenta de apoio e fundamentação
para o planejamento e tomada de decisão do momento oportuno da intervenção de manutenção em sistemas que integram o processo de produção. O trabalho defende que
para o planejamento e a decisão de intervenção inúmeros fatores são envolvidos, tais
como: aspectos técnicos (variáveis quantitativas), aspectos de gestão e valores culturais (variáveis qualitativas). Esta interação, entre as variáveis, é possível com a Lógica
Fuzzy, ciência pertencente à área de Inteligência Artificial. Esta é usada como instrumento para o embasamento do diagnóstico e a tomada de decisão do momento de paralisação do equipamento para ajustes (manutenção preditiva), os quais se não tratados,
enquanto defeitos podem desencadear em falhas. Desta forma demonstra que o planejamento e a tomada de decisão para as ações de manutenção podem ser programadas
para o momento oportuno.
Palavras chave: Tomada de decisão na manutenção; Gestão da Manutenção; Lógica
Fuzzy.
1. Introdução
Mantenedores, engenheiros, gestores, enfim profissionais de manutenção, deparam-se
atualmente com tarefas, que vão desde a especificação da modalidade de manutenção
mais adequada para o sistema (seja este: uma linha de produção, parte dela, uma máquina critica, uma função da máquina, etc.), a determinação da criticidade do item, a necessidade de redundância, a descoberta da causa de uma falha até o momento ótimo para a
paralisação do sistema para a intervenção. Para se assegurarem de cumprir tais tarefas
assertivamente, os profissionais buscam uma série de ferramentas que os auxiliem no
processo de planejamento e de tomada de decisões. Algumas envolvem a adoção de
matrizes ou modelos matemáticos complexos. A eficiência quando se utiliza um modelo
matemático é dependente de se ter considerado todas as variáveis no processo, sejam
estas: previsíveis ou não, quantitativas ou qualitativas, bem como, objetivas ou subjetivas.
Quando se trata do diagnóstico do estado de funcionamento, identificação de falhas e da
antecipação destas, o espaço de busca é vasto o que não admite uma solução algorítmica.
A consistência do diagnóstico, o qual deve anteceder a tomada de decisão e as ações de
controle ou reparos, podem estar baseadas em informações, conhecimentos heurísticos,
variáveis lingüísticas e sentimentos intuitivos e dedutivos.
No âmbito da engenharia, a instrumentação é utilizada para medir, registrar e controlar
o comportamento de grandezas físicas (Temperatura, Força, Deslocamento, Torque,
Tempo, Velocidade, Aceleração, Pressão, etc.) que intervêm em um determinado processo ou “sistema”. Sistema, neste contexto, é o objeto a ser estudado: um ser vivo, uma
planta industrial, uma parte de uma planta industrial, uma máquina ou mesmo uma pequena peça da mesma.
Portanto, pode-se definir instrumentação como: “conjunto de dispositivos e técnicas
utilizadas para aquisição, processamento, indicação, registro e controle de variáveis que
definem o comportamento de um sistema termodinâmico”. (BORCHARD, SUSIN e
BRITO 95).
Na sociedade industrial atual, a teoria e a aplicação de controle têm sido uma das mais
importantes tecnologias, desde os primários níveis de processos movidos por motores a
vapor, ao estado atual onde há uma interação profunda com sistemas de informação e
processos de fabricação. Durante toda a revolução industrial, promovida pela teoria de
controles, a modelagem matemática de plantas e processos foi baseada em linearização.
Contudo, o sucesso desta transformação depende da metodologia de modelagem matemática empregada e, no caso da teoria de controles, chegou-se a um estágio em que a
precisão tornou-se tarefa árdua ou até impossível.
A Natureza é completamente indiferente aos nossos esforços em modelar matematicamente seus processos e, freqüentemente, é impossível que um operador humano seja
capaz de controlar diversos sistemas sem compreender a matemática ou todos os detalhes físicos envolvidos. Este operador é, no entanto, capaz de manejar variáveis de entrada que influenciem as saídas do processo. Essa realização fundamental levou a um
novo enfoque na teoria de processos (complexos) industriais onde o conceito de “inteligência artificial”, através da emulação de características do comportamento humano no
controle de processos surgiu como uma alternativa de controle e modelagem. Um fato
importante nesse enfoque é que a tarefa de modelagem matemática de plantas ou processos industriais deu lugar ao favorecimento a uma modelagem que possibilitasse a
manipulação das variáveis de controle de forma a alcançar as saídas desejadas.
A característica especial da Lógica Fuzzy (também referida como lógica nebulosa) é a
de representar uma forma inovadora no manuseio de informações imprecisas, de forma
muito distinta da teoria de probabilidades. A Lógica Fuzzy provê um método de traduzir
expressões verbais, vagas, imprecisas e qualitativas, comuns na comunicação humana
em valores numéricos.
Deste modo, é possível se converter toda a experiência humana em uma forma compreensível pelo computador. Assim, a tecnologia possibilitada pelo enfoque fuzzy, tem um
imenso valor prático, pela qual se torna possível a inclusão da experiência de operadores
humanos, os quais controlam os processos e plantas industriais, em controladores computadorizados, possibilitando estratégias de tomadas de decisão em problemas complexos ou que exijam tempo de solução reduzido.
2. Conceito sobre Inteligência Artificial
A inteligência artificial compreende uma família de ferramentas para experimentação de
problemas complexos e as técnicas fuzzy e neurofuzzy têm se mostrado e se firmado,
como enfoques bem fundamentados e desenvolvidos (SHAW e SIMÕES 99).
Esta inteligência seria a capacidade genética de um instrumento de solução de problemas. Por capacidade genética entenda-se todo o conhecimento embutido no nível de
hardware, o que permite um determinado conjunto de estados possíveis de funcionamento através de programas. A inteligência da máquina seria, então, um tipo de inteli-
gência construída pelo homem, portanto, uma Inteligência Artificial. Mas o conceito de
I.A. abarca mais do que a inteligência de máquina. Pretende-se com ela, capacitar o
computador de um comportamento inteligente. Por comportamento inteligente deve-se
entender como as atividades que somente um ser humano seria capaz de efetuar.
Dentro destas atividades podem ser citadas aquelas que envolvem tarefas de raciocínio
(planejamento, estratégia, tomada de decisões, etc.) e percepção (reconhecimento de
imagens, de sons, diagnósticos, etc.), entre outras.
Quando se quer realizar uma aplicação mais prática, se está trabalhando com tarefas
especialistas, que são aquelas aplicadas em alguma profissão, resultado da síntese do
conhecimento de peritos no assunto.
Daí surge o termo sistemas especialistas, os quais contêm regras que condensam a forma de solução de problemas de um profissional de determinada atividade.
3. Sistemas especialistas
Basicamente são compostos de bancos de conhecimento e máquinas de inferência responsáveis, que contêm as regras, permitindo a recombinação do conhecimento armazenado.
As tarefas especialistas são distintas das formais pela sua característica de serem atreladas ao conhecimento prático de um ser humano e de ter sua aplicação determinada por
regras baseadas no comportamento humano. São, portanto, mais complexas que as tarefas formais, envolvendo uma maior gama de implementações computacionais necessárias.
A aplicação dos sistemas especialistas dá-se em diversas áreas, como a Engenharia, a
Medicina e a Economia. Na Engenharia pode-se considerar o auxílio dos sistemas em
tarefas de projeto, permitindo a aceleração do desenvolvimento e otimização dos recursos envolvidos. Além do projeto, utiliza-se ainda, para a detecção e correção de anormalidades e verificação de qualidade em processos industriais.
4. A Lógica Fuzzy
Aristóteles, filósofo grego (384 – 322 a.C.), foi o fundador da Ciência da Lógica e estabeleceu um conjunto de regras rígidas para que conclusões coesas pudessem ser aceitas.
O emprego da lógica de Aristóteles conduz a uma linha de raciocínio baseado em premissas e conclusões.
Por exemplo: se observado que “todo ser vivo é mortal” (premissa 1) e a seguir é constatado que “Sara é um ser vivo” (premissa 2), tem-se como dedução que “Sara é mortal”
(conclusão). (IVANQUI 2005)
Desta forma, a lógica ocidental tem sido binária, isto é, uma declaração é falsa ou verdadeira, não podendo ser ao mesmo tempo parcialmente falsa e parcialmente verdadeira. Esta suposição e a lei da não contradição que estabelecem que “U“ e “não U” cobrem todas as possibilidades, formam a base do pensamento lógico ocidental.
A lógica de Aristóteles trata com os valores “verdade” das afirmações, tratando-as como
verdadeiras ou falsas. Não obstante, muitas das experiências humanas não podem ser
classificadas simplesmente como verdadeiras ou falsas, sim ou não, branco ou preto e
no presente contexto normalidade ou falha.
Sabe-se que na identificação e classificação de anormalidade em manutenção tem-se a
figura do defeito, o qual é um problema a ser tratado, entretanto, mesmo podendo evoluir para uma falha, muitas vezes não impede o item de continuar cumprindo a sua função.
Na verdade, entre a certeza de ser e a certeza de não ser, existem infinitos graus de in-
certezas e situações. Esta imperfeição intrínseca à informação, representada numa linguagem natural, tem sido tratada matematicamente no passado com o uso da teoria das
probabilidades.
O conceito de dualidade, estabelecendo que algo possa e deva coexistir com o seu oposto, é previsto e tratado na Lógica Fuzzy, o que a faz parecer natural e inevitável. A realidade é mais ou menos incerta, vaga e ambígua (BOJADZIEV 2001).
O conceito de conjunto Fuzzy foi introduzido em 1965, por Lofti A. Zadeh, pesquisador
na Universidade da Califórnia, Berkeley.
O sucesso atualmente reconhecido, de sistemas de modelagem e controle baseados em
Lógica Fuzzy, em aplicações industriais, tem comprovado sua utilização como mais
uma ferramenta (ou tecnologia) para a resolução de problemas de engenharia, de controle industrial, manufatura, manutenção, comunicação homem-máquina e em sistemas de
planejamento e tomada de decisão.
A Lógica Fuzzy permite a captura de todo o conhecimento e a estratégia de controle de
operadores humanos, especialistas no processo. A Lógica Fuzzy se apresenta como uma
eficiente ferramenta de "traduzir" dados, para uma forma possível de manipulação e
processamento. Após esta adequação o uso dos recursos computacionais possibilita o
tratamento e a interação de um número elevado de variáveis, de um monitoramento online do processo, um retorno em tempo real e o amparo necessário para a tomada de
decisão (MARÇAL 2000).
5. O uso da Lógica Fuzzy para a análise da severidade (do estado)
Considera-se como falha incipiente a mudança da condição de funcionamento na máquina tendo-se como referência o padrão de normalidade de funcionamento estabelecido
para a máquina. A alteração incipiente (defeito) não caracteriza ainda uma falha, porém
se não tratada poderá resultar na perda da capacidade do item para realizar (ou continuar
realizando) sua função (FILHO 2004).
Seguindo a concepção da modalidade de manutenção preditiva, na detecção de qualquer
alteração e através do monitoramento desta, é possível acompanhar a evolução, predizer
a falha e programar uma parada para a intervenção, além de se estar poupando demais
partes ou componentes da máquina.
Uma das dificuldades em detecção de falhas em motores é a alta dimensão física dos
motores. Existem muitas variáveis que podem afetar o processo de detecção de falhas,
tais como: condições de carga, efeitos de saturação, condições de operação imprevisível,
ruídos de linha e efeitos de temperatura, os quais podem resultar em milhares de hipóteses pelas diferentes possibilidades de combinações destas variáveis (CHOW 1997).
6. O Diagnóstico baseado no sistema Fuzzy
Para o diagnóstico do estado de funcionamento do sistema, o sistema especialista em
Lógica Fuzzy é capaz, baseado em uma coleção de regras lógicas (IF-THEN), na forma
de declarações antecedentes e do retorno de uma declaração conseqüente oferecer o
diagnóstico do estado de funcionamento do sistema. As declarações “antecedentes” são
as variáveis de entrada do processo e a declaração “conseqüente” é o diagnóstico.
Pode-se utilizar uma Interface gráfica (IHM) para a apresentação do diagnóstico, na
qual é possível a visualização de forma qualitativa e quantitativa do estado de funcionamento. A indicação quantitativa é útil para o acompanhamento da evolução do defeito.
A resolução conseguida permite acompanhar a evolução do defeito rumo a uma falha e
a evolução da severidade. Há uma fase de sintonia do sistema de supervisão, chamada
de “sintonia do sistema especialista Fuzzy”, na qual são estabelecidas as condições de
operação pertinentes ao sistema.
7. A decisão do momento oportuno
O planejamento e a decisão do momento oportuno de intervenção em um item pertencente ao processo de produção devem considerar o estado de funcionamento do item,
porém a decisão de intercessão não deve ser somente pelo estado de funcionamento. Por
mais severo que seja o defeito diagnosticado, outros fatores devem pesar e levados em
consideração.
Cabe aqui a consideração do processo produtivo de uma forma global e não isoladamente.
A figura 1 mostra de forma simplificada tais fatores que na visão deste autor são relevantes e importantes para se decidir o momento de intervenção no item que demonstre
necessidade de tal ação.
e 1
e 2
Planejamento e controle da
Manutenção
e 3
e_4
por
Lógica Fuzzy
e n
Legenda:
e_1: estado do item;
e_2: demanda da produção (sazonalidade);
e_3: custo X benefício ($_manutenção);
e_4: manutenabilidade humana;
e_n: meta da empresa, perfil do gestor …
{
saída
Emergência
Urgência
P24h
PMO
Legenda:
Emergência: PARE o que está
fazendo e proceda a intervenção
Urgência: TERMINE o que está
fazendo e proceda a intervenção
P24h: intervenção planejada para
daqui a 24 horas
PMO: intervenção planejada para o
momento oportuno
Figura 1 – Fatores considerados no planejamento e na decisão do momento oportuno para a intervenção da manutenção
Um processo produtivo compõe-se de equipamentos, cronogramas de execução e entrega de produtos, sazonalidade (demandas produtivas que variam de acordo com o mercado consumidor), custo x beneficio, custo de intervenção, custo de paralisação do processo produtivo por interrupção para a manutenção, disponibilidade de recursos humanos
especializados próprios ou terceirizados, existência em estoque de materiais sobressalentes (manutenabilidade), perfil do gestor da empresa (ocasionalmente definido como
meta da empresa), entre outros.
8. A interação
O planejamento e a tomada de decisão do momento mais apropriado para a intervenção
relevam grandezas quantitativas e indicadores (informações não quantitativas).
A Lógica Fuzzy é uma ferramenta que possibilita a captura de conhecimentos dedutivos
e intuitivos de especialistas e gestores. Tem a capacidade de traduzir estes conhecimentos (informações) em uma linguagem interpretável pelo suporte de TIS (Information
Technology System) da empresa produtiva. (MARÇAL 2006).
A infra-estrutura do TIS permite a interação de um grande número de grandezas e indicadores. Esta interação é feita on-line, retorna a decisão em tempo real e a apresenta de
forma consistente.
A ferramenta Fuzzy é capaz de atender e respeitar a opinião de todos os especialistas,
pois mesmo quando existe divergência de opinião ou uma ausência de concordância
total sobre determinados aspectos, a mesma em sua interação e retorno de resultado atua
de forma democrática e cada especialista pode ver seu ponto de vista a respeito sendo
considerado e relevado.
As variáveis antecedentes, ou seja, os fatores considerados como relevantes na proposta
são: Estado_Funcionamento, Sazonalidade, $_Manutenção, Manutenabilidade, Meta_Empresa e Perfil_Gestor.
A Figura 2 apresenta a sugestão do modelo Fuzzy proposto como ferramenta de suporte
à tomada de decisão.
Figura 2 – Variáveis antecedentes no modelo Fuzzy
As regras decorrentes das interações denominadas de regras de inferência totalizam no
modelo estruturado para ensaio, 640 combinações. A Figura 3 mostra parte destas regras
e a forma como estas estão montadas.
Figura 3 – Regras de inferência do modelo estruturado
O resultado esperado, as variáveis conseqüentes das diversas combinações possíveis
entre as entradas, variáveis antecedentes, é a decisão suportada sobre o momento oportuno para a intervenção da manutenção no item do processo. A Figura 4 mostra as possibilidades escolhidas, que são: Emergência, Urgência, P24h (intervenção planejada
para 24 horas) e PMO (intervenção planejada para o momento oportuno).
Figura 4 – Resultado das interações entre as variáveis antecedentes
8. Conclusão
A manutenção é uma atividade de relevância em processos a qual garante que estes continuem funcionando e que seu desempenho seja alcançado.
Os gestores responsáveis pela operacionalização desta manutenção sejam estes técnicos
ou administradores, não importa, têm uma atuação de grande responsabilidade, pois de
suas decisões e ações dependeram o sucesso, a redução de perdas e tempo nos processos
produtivos.
A consistência das decisões e as conseqüências advindas são frutos de suas experiências
profissionais, conhecimentos e da capacidade como gestores da manutenção e produção.
A importância do tema exige capacitação e qualificação profissional deste e de toda a
equipe envolvida nas ações, bem como uma infra-estrutura que ofereça suporte e confiança. Entenda-se como infra-estrutura todo o apoio logístico e ferramentas que o(s) auxilie(m).
Neste contexto a ferramenta especialista baseada em Inteligência Artificial, a Lógica
Fuzzy, se mostra como um instrumento capaz de reunir o conhecimento heurístico (=
conjunto de regras e métodos que levam a resolução de um problema), as variáveis do
processo e demais indicadores para a busca e prescrição da solução ótima.
Possibilita, também a expansibilidade se o processo devido às suas especificidades assim o exigir. Em situações reais as especificidades e possíveis mudanças de cenários
exigem sintonias adaptativas.
A facilidade e possibilidade de alterações das regras e redefinição de valores das variáveis a serem consideradas, permitem que a ferramenta se apresente como um método
versátil.
Esta facilidade permite também a flexibilidade de especificação da ferramenta Fuzzy,
para o emprego em monitoração, diagnose, manutenção preditiva e predição da severidade de forma consistente em tempo real para os sistemas.
Sua flexibilidade e adaptabilidade para mudanças de valores (culturais e filosóficos) ou
como são chamados: mudanças de cenários ou sazonalidade tornam-a eficaz e indispensável no setor de produção.
Referências
ALMEIDA, Adiel Teixeira de e RAMOS, Francisco de (orgs). Gestão da Informação na Competitividade das Organizações. Editora Universitária da UFPE, Recife,
2002.
ALMEIDA, Adiel Teixeira de, GOMES, Luiz F. A. M., GOMES, Carlos F. S. Tomada de Decisão Gerencial – Enfoque Multicritério, Editora Atlas, São Paulo, 2002.
BORCHARDT, Ildon Guilherme, SUSIN, Altamiro Amadeu e BRITO, Renato Machado.
Uma Taxonomia para a instrumentação. In: CINISA. São Paulo, 2005.
BOJADZIEV, G. Fuzzy Sets, Fuzzy Logic and Applications. World Scientific. Singapura,
2001.
CHAW, Ian S e SIMÕES, Marcelo G. Controle e Modelagem Fuzzy. Editora Edgar Blücher.
São Paulo, 1999.
CHOW, M. Y. Methodologies of using neural network and Fuzzy logic technologies for motor
incipient fault detection. World Scientific Publishing Co. Pte. Ltd. Singapore, 1997.
FILHO, Gil Branco. Dicionário de termos de manutenção, confiabilidade e qualidade. Ciência
Moderna Ltda. Rio de Janeiro, 2004.
IVANQUI, Josmar. Esteira eletrônica com velocidade controlada por Lógica Fuzzy. Dissertação de Mestrado – PPGEI - CEFET/PR. Curitiba, 2005.
MARÇAL, Rui Francisco Martins. Um método para detectar falhas incipientes em máquinas
rotativas baseado em análise de vibração e Lógica Fuzzy. Tese de Doutorado – PPGEM – UFRGS. Porto Alegre, 2000.
MARÇAL, Rui Francisco Martins & SUSIN, Altamiro Amadeu. O emprego de Inteligência
Artificial como ferramenta de apoio à Tomada de Decisão na Manutenção Industrial. III Seminário Catarinense da Associação Brasileira de Manutenção – ABRAMAN, Joinville, Brasil,
2005. ARTIGO PREMIADO.
MARÇAL, Rui Francisco Martins; HATAKEYAMA, Kazuo & SUSIN, Altamiro Amadeu. Using the Fuzzy Logic as tool to support the Decision Making of Optimal Moment to Plan
and Operate the Maintenance In Production Management Engineering. International Simposyum Management Engeneering – ISME; Kitakyushu, Fukuoka, Japan, 2006.
MARÇAL, Rui Francisco Martins. Proposta de um Sistema Especialista baseado em regras
(Lógica) Fuzzy para planejar e apoiar a decisão do momento oportuno de efetuar a intervenção
da Manutenção de equipamentos que integram os processos de produção. Relatório de estágio
em nível de Pós Doutorado – UFPE / PPGEP / GPSID. Recife, 2006.
SOUZA, Fernando Campello de. Decisões Racionais em Situações de Incertezas. Editoração
Eletrônica, 2a. Edição, Recife, 2005.