Castertech utiliza Machine Learning para Manutenções Preditivas em parceria com a BRLink e a AWS

Sobre a Castertech

Especializada em soluções de sistemas de rodagem e suportes fundidos e usinados, a Castertech tem uma trajetória de acelerado crescimento. Em operação desde 2009, com sede em Caxias do Sul, a companhia surgiu, inicialmente, para atender as necessidades internas das Empresas Randon. Hoje, a empresa fornece seus produtos para o segmento de montadoras de caminhões e ônibus, montadoras de semirreboques, sistemistas automotivos, para o setor agrícola e para o mercado de peças de reposição.

Com a clara missão de fornecer soluções tecnológicas globais que superem as expectativas dos clientes em termos de segurança e qualidade do produto, a Castertech também se compromete com o desenvolvimento contínuo de seus colaboradores, reconhecendo a importância fundamental das pessoas para seu sucesso duradouro e com a sustentabilidade, tornando-a uma das fundições mais limpas, seguras e ambientalmente corretas do Brasil.

Desafio

A Castertech opera uma extensa variedade de máquinas de fundição e moldagem, priorizando o funcionamento contínuo de seu maquinário. O desafio apresentado pela Castertech envolveu a necessidade de antecipar e evitar paradas não programadas nas máquinas, substituindo a manutenção corretiva por uma abordagem preventiva, com o objetivo de reduzir o tempo de inatividade na produção de peças.

Na área de fundição da empresa, onde são produzidas peças automotivas, existem diversos CLPs, motores, sensores, supervisórios e um banco de dados com informações sobre a linha de produção, porém, o sistema atual é totalmente reativo. Ao realizar uma análise minuciosa, identificaram que poderiam ser reconhecidos possíveis problemas por meio de alertas.

A meta é avançar de um modelo reativo para um modelo preditivo e, até mesmo, prescritivo. A expectativa é ter previsibilidade de problemas e ser capaz de agendar manutenções antes que possíveis falhas ocorram. Atualmente, uma parada de uma hora na linha de produção resulta na perda de 14 toneladas de peças.

Solução Proposta

No processo de enfrentar os desafios da Castertech, a BRLink explorou várias estratégias distintas. Inicialmente, considerou-se o uso do Amazon Lookout for Equipment, uma ferramenta gerenciada fornecida pela AWS, especializada na detecção de anomalias em equipamentos industriais com base em dados temporais. Durante esse processo, foram desenvolvidos múltiplos modelos, utilizando dados instantâneos dos sensores, métricas agregadas de desempenho de produção e registros de paradas das máquinas, com o objetivo de identificar irregularidades no funcionamento das máquinas em produção

Simultaneamente, também foram realizados experimentos com modelos de regressão personalizados no Amazon Sagemaker. Esses modelos foram projetados para prever o tempo restante até que uma máquina necessitasse de manutenção, utilizando informações provenientes de sensores e do histórico de paradas das máquinas.

Os resultados revelaram que os modelos do Amazon Sagemaker apresentaram maior eficácia. O Amazon Lookout for Equipment impõe a restrição de que os dados de treinamento do modelo abranjam um intervalo de tempo mínimo de três meses, o que limitou a utilização de parte dos dados fornecidos e resultou em desempenho menos expressivo dos modelos gerados.

O Amazon Sagemaker, por sua vez, por ser um modelo customizado, não impõe tais restrições, permitindo o desenvolvimento de um modelo abrangendo o conjunto completo de dados. O modelo final mostrou-se capaz de prever o número de ciclos de produção restantes até a necessidade de parada da máquina com boa qualidade, possibilitando a geração de alertas de manutenção para a Castertech quando o estado da máquina se deteriora.

Os resultados obtidos revelaram um recall (quantidade de paradas reais identificadas pelo modelo) próximo a 83%. Entretanto, houve um número significativo de falsos positivos, resultando em uma precisão (quantidade de paradas reais dentro dos alertas do modelo) de cerca de 5%. Devido ao alto custo de uma parada de máquina em comparação ao baixo custo de inspeção, a Castertech identificou que um recall mais elevado é mais relevante do que a precisão no caso de uso. A matriz de confusão abaixo apresenta os resultados.

Matriz de confusão para alarmes onde máquina quebrará dentro de 200 ciclos de operação

Com base no resultado positivo do experimento, a BRLink propôs à Castertech uma arquitetura de protótipo, conforme ilustração abaixo:

Nesta estrutura, os dados de sensores são enviados ao Amazon S3 por meio do AWS IoT Core, permitindo que uma função Lambda com disparo temporal via Amazon EventBridge processe os dados brutos. Ao serem processados, os dados de sensores são submetidos a um endpoint de inferência no Amazon Sagemaker para análise.

Os resultados são registrados em um bucket do Amazon S3, catalogados pelo AWS Glue e visualizados por meio de AWS Athena e Amazon QuickSight. Alertas de manutenção são disparados por AWS SNS e AWS SES, enviando notificações e e-mails. Por fim, um orquestrador do AWS Step Functions coordena o processo de treinamento, validação e registro dos modelos.

Vale ressaltar que essa etapa do projeto foi apenas o experimento ou prova de conceito (PoC) da arquitetura proposta acima. Todos os testes foram realizados em ambiente experimental no Sagemaker e nenhuma estrutura AWS foi montada, cabendo a sua construção à etapa de prototipação do sistema para validação com casos reais em cenários controlados. Assim, a Castertech iniciou sua jornada de inovação com Machine Learning nessa primeira fase com a BRLink, porém, ainda há um caminho a ser percorrido até a execução desse projeto em produção.

Benefícios

Em casos de falha, os equipamentos da Castertech têm um custo associado significativo por hora de parada. Dentro de uma semana de dados analisados, foi identificado um tempo de inatividade considerável.

Com base nos alertas do sistema e nos resultados preliminares do experimento, 83% dos momentos de parada seriam detectados com antecedência, permitindo a preparação da máquina para a manutenção antes da falha ocorrer.

Considerando um potencial de redução de 50% no tempo de manutenção, estima-se uma economia significativa em uma semana, correspondendo a 45 vezes o custo de sustentação da arquitetura AWS no mesmo período.