Dr. Maximilian Beinhofer:<\/strong> Nesse caso, falamos de manuten\u00e7\u00e3o corretiva. Isso pode resultar em uma m\u00e1quina ou instala\u00e7\u00e3o estar parada parcial ou completamente. Isso significa que a disponibilidade \u00e9 reduzida, o que pode trazer desvantagens econ\u00f4micas para o usu\u00e1rio. Outro problema: pode ser necess\u00e1rio procurar o erro, o que consome tempo valioso.<\/p>\n Pode-se simplesmente trocar pe\u00e7as de desgaste regularmente\u2026<\/strong><\/p>\n Sim, isso \u00e9 chamado de manuten\u00e7\u00e3o preventiva. Trata-se de estabelecer ciclos de manuten\u00e7\u00e3o ou troca com base em experi\u00eancias anteriores. Isso garante uma disponibilidade muito alta das instala\u00e7\u00f5es. A desvantagem: os custos s\u00e3o mais altos, pois tamb\u00e9m s\u00e3o trocadas pe\u00e7as que ainda t\u00eam um estoque de desgaste. A grande arte \u00e9 encontrar o momento ideal \u2013 tanto para o prestador de manuten\u00e7\u00e3o quanto para o receptor de manuten\u00e7\u00e3o. Uma boa solu\u00e7\u00e3o \u00e9, portanto, o Condition Monitoring, ou seja, a monitoriza\u00e7\u00e3o do estado, bem como a manuten\u00e7\u00e3o preditiva. Com base em chamados g\u00eameos digitais, \u00e9 considerada uma das inova\u00e7\u00f5es centrais na \u00e1rea da Ind\u00fastria 4.0.<\/p>\n Como funciona a manuten\u00e7\u00e3o preditiva?<\/strong><\/p>\n Com a ajuda da monitoriza\u00e7\u00e3o do estado dos componentes atrav\u00e9s de sensores, \u00e9 poss\u00edvel representar no software se um problema est\u00e1 se aproximando. Idealmente, isso acontece em tempo real ou com um atraso m\u00ednimo. O cerne da nossa abordagem \u00e9: com algoritmos inteligentes, ou seja, m\u00e9todos da \u00e1rea de Machine Learning e Data Science, conectamos ou fundimos os dados j\u00e1 existentes dos sensores de forma t\u00e3o inteligente que podemos fazer afirma\u00e7\u00f5es muito precisas sobre o estado ou o desgaste dos componentes. Isso economiza custos, pois n\u00e3o precisamos instalar sensores adicionais.<\/p>\n Voc\u00ea tem um exemplo pr\u00e1tico?<\/strong><\/p>\n \u00a0No<\/strong> nosso rob\u00f4 de picking premiado Rovolution, medimos o estado do v\u00e1cuo na pin\u00e7a. Se, por exemplo, devido \u00e0 carga de poeira no ambiente, ocorrer uma perda de press\u00e3o, vemos isso imediatamente e podemos reagir.<\/p>\n Como lidar com instala\u00e7\u00f5es mais antigas que n\u00e3o possuem os sensores necess\u00e1rios?<\/strong><\/p>\n Podem ser instalados sensores adicionais, por exemplo, para medir vibra\u00e7\u00f5es. Dependendo do tamanho da instala\u00e7\u00e3o, pode ser necess\u00e1rio de alguns poucos a mais de cem sensores, o que torna essencial realizar uma an\u00e1lise de viabilidade antecipadamente. No entanto, em princ\u00edpio, tamb\u00e9m vale a pena mencionar que as instala\u00e7\u00f5es intralog\u00edsticas existentes podem ser atualizadas.<\/p>\n Qual \u00e9 a diferen\u00e7a entre manuten\u00e7\u00e3o preditiva e prescritiva?<\/strong><\/p>\n As duas abordagens se baseiam uma na outra. Como base da manuten\u00e7\u00e3o preditiva, \u00e9 necess\u00e1ria a monitoriza\u00e7\u00e3o do estado. N\u00e3o basta saber se um sensor est\u00e1 ocupado ou n\u00e3o. Trata-se de qu\u00e3o avan\u00e7ado est\u00e1 o desgaste. Uma vez que esses dados est\u00e3o dispon\u00edveis, \u00e9 poss\u00edvel criar uma previs\u00e3o com software de manuten\u00e7\u00e3o preditiva, indicando que um componente, a partir de um determinado valor, ainda deve durar cerca de tr\u00eas meses. A manuten\u00e7\u00e3o prescritiva ent\u00e3o d\u00e1 a recomenda\u00e7\u00e3o de fazer exatamente isso ou aquilo em tr\u00eas meses.<\/p>\n Quais s\u00e3o as principais vantagens da manuten\u00e7\u00e3o preditiva?<\/strong><\/p>\n Em princ\u00edpio, trata-se da otimiza\u00e7\u00e3o da disponibilidade das instala\u00e7\u00f5es com os menores custos poss\u00edveis. Al\u00e9m disso, o ciclo de feedback \u00e9 continuamente melhorado. Algoritmos garantem que o sistema autoaprendente se otimize permanentemente.<\/p>\n Em quais \u00e1reas a manuten\u00e7\u00e3o preditiva \u00e9 \u00fatil?<\/strong><\/p>\n Em princ\u00edpio, em toda a instala\u00e7\u00e3o. No entanto, os elementos conectivos s\u00e3o os mais interessantes. Se, por exemplo, um de dez postos de trabalho de coleta falhar, ainda h\u00e1 90% da capacidade de picking dispon\u00edvel. Mas se um sistema de classifica\u00e7\u00e3o falhar, pelo qual todos os produtos passam, isso significa uma parada imediata.<\/p>\n Quais s\u00e3o os desafios da manuten\u00e7\u00e3o preditiva?<\/strong><\/p>\n Por um lado, trata-se de gerar o maior impacto com o menor esfor\u00e7o. Por outro lado, o desafio t\u00e9cnico \u00e9 utilizar as redes da instala\u00e7\u00e3o de tal forma que os dados necess\u00e1rios possam ser transmitidos para o software de manuten\u00e7\u00e3o preditiva. O terceiro desafio s\u00e3o os ciclos de feedback. Quando ocorrem problemas na tecnologia de transporte, os t\u00e9cnicos no local devem relatar isso. Como fabricante, \u00e9 necess\u00e1rio desenvolver m\u00e9todos inteligentes para que o feedback ocorra imediatamente e tamb\u00e9m possa ser avaliado mecanicamente.<\/p>\n Como isso \u00e9 garantido?<\/strong><\/p>\n Para que os algoritmos possam ser treinados, \u00e9 preciso saber exatamente quando uma manuten\u00e7\u00e3o foi realizada e o que exatamente foi feito. Caso contr\u00e1rio, o sistema acredita que uma melhoria ocorreu por conta pr\u00f3pria. Este relat\u00f3rio n\u00e3o pode ser um texto livre formulado pelo t\u00e9cnico. Devem ser respostas padronizadas de um menu suspenso, pois s\u00e3o necess\u00e1rios dados leg\u00edveis por m\u00e1quina para treinar o sistema de Machine Learning. Ao mesmo tempo, o ciclo de feedback deve ser r\u00e1pido e f\u00e1cil de usar, para que o t\u00e9cnico de manuten\u00e7\u00e3o possa fornecer o feedback rapidamente.<\/p>\n Para quais m\u00f3dulos a TGW desenvolve manuten\u00e7\u00e3o preditiva?<\/strong><\/p>\n No rob\u00f4 de picking Rovolution, o Condition Monitoring j\u00e1 est\u00e1 dispon\u00edvel. Paralelamente, estamos desenvolvendo uma solu\u00e7\u00e3o em nuvem especial para coleta e processamento de dados. Em princ\u00edpio, trata-se de que, desde a mecatr\u00f4nica at\u00e9 a TI, todos os dados devem ser coletados no futuro \u2013 naturalmente, respeitando as diretrizes do GDPR e a seguran\u00e7a dos dados. Coletamos os dados de v\u00e1rios 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 instala\u00e7\u00e3o. No final do processo, est\u00e1 o g\u00eameo digital. Com isso, n\u00e3o apenas \u00e9 poss\u00edvel analisar em modo de replay o que aconteceu, mas tamb\u00e9m ver em tempo real o que est\u00e1 acontecendo. Em um passo adicional, tamb\u00e9m \u00e9 poss\u00edvel olhar para o futuro e fazer previs\u00f5es.<\/p>\n Como a demanda por solu\u00e7\u00f5es na \u00e1rea de manuten\u00e7\u00e3o preditiva se desenvolver\u00e1?<\/strong><\/p>\n O tema \u00e9 atualmente popular. Acredito que, em cinco a dez anos, apenas instala\u00e7\u00f5es que oferecem esse servi\u00e7o ser\u00e3o vendidas. Em grandes m\u00e1quinas individuais, j\u00e1 \u00e9 comum que um sensor de vibra\u00e7\u00e3o seja utilizado. Nas instala\u00e7\u00f5es intralog\u00edsticas amplamente conectadas, atualmente ainda existem v\u00e1rias estrat\u00e9gias.<\/p>\n \u00a0<\/strong>Os clientes veem o benef\u00edcio e est\u00e3o dispostos a pagar por esses servi\u00e7os?<\/strong><\/p>\n Acredito que, a longo prazo, os modelos de neg\u00f3cios por tr\u00e1s dos contratos de manuten\u00e7\u00e3o mudar\u00e3o. As novas ferramentas e servi\u00e7os oferecem vantagens para os clientes \u2013 e essas vantagens se tornar\u00e3o vis\u00edveis no final na an\u00e1lise de custos totais (TCO, Total Cost of Ownership). Consequentemente, tamb\u00e9m ajustaremos nossos modelos de neg\u00f3cios.<\/p>\n Foto do t\u00edtulo: \u00a9 TGW \/ Legenda da imagem:<\/em><\/strong> PickCenter Rovolution da TGW: Condition Monitoring garante uma alta disponibilidade do rob\u00f4 de picking premiado. <\/em><\/p>\n \u2022 TGW aposta na monitoriza\u00e7\u00e3o do estado do rob\u00f4 de picking premiado Rovolution \u2022 G\u00eameo digital como inova\u00e7\u00e3o central na era da Ind\u00fastria 4.0 (Marchtrenk) No [\u2026]<\/span><\/p>\n","protected":false},"author":0,"featured_media":0,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"_acf_changed":false,"footnotes":""},"categories":[1665,1560,1561],"tags":[],"class_list":["post-24931","post","type-post","status-publish","format-standard","hentry","category-categories","category-intralogistics","category-regions"],"acf":[],"yoast_head":"\n![\"\"](\"https:\/\/loginfo24.com\/wp-content\/uploads\/sites\/7\/2025\/12\/TGW_22.4.21_2.jpg\")
Dr. Maximilian Beinhofer <\/strong>lidera a \u00e1rea de Desenvolvimento de Sistemas Cognitivos na sede do TGW Logistics Group em Marchtrenk, \u00c1ustria. Ele estudou Matem\u00e1tica nas universidades de Aachen e Freiburg e obteve seu doutorado na \u00e1rea de Inform\u00e1tica em Rob\u00f3tica Probabil\u00edstica. Em 2014, o cientista come\u00e7ou sua carreira na TGW como consultor de log\u00edstica e TI. Desde 2016, ele lidera a equipe de desenvolvimento na \u00e1rea de Desenvolvimento de Sistemas Cognitivos.<\/p><\/blockquote>\n","protected":false},"excerpt":{"rendered":"