Como os modelos são interpretados?
Nesta seção você pode visualizar informações detalhadas sobre a previsão desejada juntamente com seus indicadores, gráficos, entre outros.
Interpretação de um modelo de degradação
Os modelos de degradação permitem estudar o estado de um ativo ao longo do tempo. No Predictto apresentamos-lhe de forma simplificada através de dois gráficos: o primeiro apresenta a evolução de uma variável crítica ao longo do tempo, e o segundo a fiabilidade do equipamento no mesmo período de tempo.
No primeiro gráfico, intitulado "Previsão de medição", é possível visualizar a evolução da variável medida durante o horário de funcionamento do ativo. Os pontos laranja representam dados de medições reais da variável; a linha azul escura é o ajuste encontrado pelo nosso algoritmo; e a tonalidade em tons de azul claro representa a faixa de confiabilidade dos valores futuros. Ou seja, em palavras simples, no futuro é mais provável que a variável assuma o valor da linha azul central, mas na realidade ela pode ser encontrada em qualquer lugar dentro da sombra cinza.
Agora, como você pode utilizar essa informação? Bem, as variáveis monitoradas podem ter limites dentro dos quais se considera que o ativo está funcionando satisfatoriamente. Esses limites podem ser dados por um padrão ou ser estabelecidos pelo usuário de acordo com seu conhecimento e experiência anterior.
Com este gráfico você pode saber quando a variável em estudo atingirá esse limite, marcado com uma linha horizontal vermelha. Por padrão, para análise de vibração, este valor limite corresponde ao estabelecido pela norma ISO 10816-3 para velocidade de vibração; no entanto, você pode alterar esse valor a qualquer momento para outro limite (máximo ou mínimo) que considere mais adequado, no painel de configuração que aparece à esquerda dos gráficos. No mesmo formulário mencionado você também pode editar o valor limite do eixo x, ou seja, até que ponto no tempo você quer que a variável seja prevista.
Do exposto podemos obter informações sobre a confiabilidade do equipamento, como pode ser visto no segundo gráfico.
Na medida em que a variável atinge o limite estabelecido, observa-se uma diminuição na confiabilidade do ativo, chegando a 0% de confiabilidade quando nosso modelo determina que é absolutamente certo que a variável ultrapassará esse limite (ou seja, quando toda a tonalidade de cinza o ultrapassar ).
Como você pode ver, nosso modelo não apenas informa quando seu ativo falhará, mas também fornece a probabilidade de falha ao longo do tempo.
Interpretação de um modelo de confiabilidade
Os modelos de confiabilidade permitem estudar o estado de um ou mais ativos ao longo do tempo. No Predictto é apresentado de forma simplificada através das seguintes barras: confiabilidade, risco do sistema, falhas acumuladas e custos. A seguir, veremos alguns conceitos importantes relacionados ao Weibull:
Mediana (m): Corresponde ao ponto no tempo em que a probabilidade é de 50%, portanto, é uma medida de tendência central fácil de localizar com base nos dados ou nas ferramentas de escritório disponíveis.
R2m: É o valor de probabilidade localizado na curva de confiabilidade de m mais 50% dela.
Probabilidade de falha: Refere-se ao percentual de ocorrência de falha, permitindo conhecer momentos de maior e menor risco, juntamente com os períodos em que o sistema requer atenção especial da operação e manutenção.
Confiabilidade: Refere-se à probabilidade com que o ativo ou ativos funcionam em condições pré-estabelecidas.
Taxa de falha: Refere-se à probabilidade de ocorrência de falha, considerando que o ativo pode ou não ter falhado anteriormente. Este parâmetro é vital para tipificar processos de falha. Além disso, corresponde ao inverso do tempo entre falhas (MTBF), sendo um dos parâmetros de referência mais renomados no setor de manutenção e confiabilidade.
Taxa cumulativa de falhas: Refere-se ao número estimado de falhas que o sistema entrega uma vez sujeito a políticas de reparo mínimo. Esta variável permite estimar o número de falhas para um intervalo de tempo definido do ciclo de vida do sistema.
As ferramentas acima adicionam valor preditivo aos dados de falhas coletados, permitindo que o comportamento dos dados coletados seja caracterizado a partir de falhas do sistema. Uma vez obtidos os parâmetros, é possível determinar o comportamento das variáveis críticas.
Processos acidentais: Aqueles processos com R2m igual a 0,3535 ou 35,35%; Eles têm uma taxa de falha constante. As falhas são de natureza acidental e estatisticamente imprevisíveis.
Processos Campainha: Aqueles processos com R2m menor que 0,3535 ou 35,35%; eles têm uma taxa de falha crescente com um comportamento de tendência central. As falhas são previsíveis e apropriadas para esquemas de manutenção preventiva.
Processos em cascata: Também chamados de processos de mortalidade infantil, são aqueles com R2m superior a 0,3535 ou 35,35%; eles têm uma taxa de falha decrescente e em seu comportamento têm uma alta probabilidade de falha em seu período inicial de tempo. As falhas são altamente previsíveis e apropriadas para esquemas de proteção de garantia.
Recálculo de modelos
Para realizar um diagnóstico novamente, acesse o botão Editar; você encontrará as opções para alterar o nome, modificar os parâmetros de treinamento e recalcular (Retreinar) com um único clique, incluindo os dados mais recentes.
Lembre-se de que você também pode realizar vários treinamentos na seção de modelos preditivos
Indicadores e Resumo da Previsão
Você poderá visualizar os indicadores do seu modelo; horas restantes até a falha junto com a confiabilidade do ativo. Esses indicadores são acompanhados de cores representativas, semelhantes às cores de um semáforo, para avaliar rapidamente o status do seu ativo em estudo. Além disso, se você consultar a caixa de cada diagnóstico, será indicada uma explicação resumida em linguagem natural do que esses indicadores indicam, bastando posicionar o mouse sobre cada um deles, como na imagem de referência.
Nota: Se o indicador “Horas até o limite máximo” for negativo, está fornecendo o número de horas que se passaram desde que a manutenção estava vencida. Além disso, é importante mencionar que os indicadores rápidos na tabela dos modelos elaborados são baseados nesta informação.
Versões do modelo
Grupos de dados que tenham o mesmo nome e correspondam ao mesmo ativo serão considerados versões diferentes do mesmo modelo. Você pode consultar as diferentes versões de um modelo dentro de seu diagnóstico.