Aplicação de técnicas de Auditoria de Malhas de Controle no Elipse Plant Manager (EPM)

O Sistema de Gerenciamento de Informações de Processo da Elipse Software (EPM) foi utilizado em TCC do curso de Eng. Elétrica da UNISINOS para avaliar o desempenho de malhas de controle.

O Trabalho de Conclusão de Curso aborda o tema relacionado à manutenção de malhas de controle operando de maneira eficiente e efetiva ao longo do tempo. Este tema de grande relevância para a indústria foi justificado da seguinte maneira pelo autor:

“Estudos mostram que grande parte das falhas apresentadas em malhas de controle estão relacionadas com problemas como má sintonia de controladores, anomalias em equipamentos, alterações no processo produtivo e problemas em válvulas de controle, a maioria desses problemas se apresentam em forma de oscilações nas malhas de controle, muitas vezes essas oscilações demoram a ser detectadas, pois exigem um elevado conhecimento do processo ou até mesmo não podem ser identificadas a olho nu.”

Desta forma, algumas das principais técnicas para avaliação de desempenho de malhas de controle, avaliação da sintonia do controlador PID e detecção automática de oscilações foram estudadas, sendo selecionadas algumas para implementação no ambiente integrado a linguagem Python disponível no EPM. Como resultado, obteve-se um ambiente que viabiliza a avaliação do potencial de melhoria de malhas de controle, além da identificação de oscilações e eventuais problemas relacionados à sintonia das mesmas.

A validação dos indicadores implementados foi realizada utilizando dados rotineiros obtidos de diversos cenários de controle previamente definidos utilizando uma planta industrial piloto didática. A figura a seguir apresenta o fluxograma desta planta que foi realizado pelo autor com base no manual de operação da mesma:

Diagrama da planta industrial piloto didática.

Como conclusão, verificou-se que os algoritmos implementados para avaliar o desempenho de malhas de controle mostraram-se efetivos em determinadas situações, sugerindo para trabalhos futuros que alguns destes indicadores sejam implementados de maneira automatizada a fim de repassar seu resultado para a operação de maneira continuada, apoiando-a através de uma visão do estado mais recente das malhas de controle em termos de seu desempenho.

O trabalho completo está acessível através do seguinte link: TCC_DiegoBalsante.pdf

Um vídeo com a apresentação do trabalho demonstrando a utilização dos algoritmos implementados no EPM também foi disponibilizado no canal do Youtube do autor: Diego Balsante Lopes - Apresentação TCC2

Mais detalhes sobre o desenvolvimento de Plug-ins em linguagem Python, no ambiente de análises da ferramenta EPM Studio, pode ser visto no seguinte Webinar - Agilizando análises no EPM com o poder da linguagem Python e no KB da Elipse Software (Knowledgebase): Agilizando análises no EPM Studio Dataset Analysis (EPM 3) através de plugins.

Informações sobre o trabalho

AUDITORIA DE MALHAS DE CONTROLE APLICADA A PLANTA DIDÁTICA SMAR UTILIZANDO A PLATAFORMA EPM

Trabalho de Conclusão do curso de Diego Balsante Lopes em Engenharia Elétrica pela Universidade do Vale do Rio dos Sinos – UNISINOS – ano 2017

Orientador: Prof. Dr. Rodrigo Iván Goytia Mejía

Participe do Webinar sobre Manufatura Aditiva e os novos profissionais

Neste webinar, dia 20/7 às 10h (horário de Brasília), Rodrigo Arruda apresentará como as novas tecnologias em manufatura aditiva irão revolucionar os processos produtivos.

Arruda também contará como o Insper vem preparando seus alunos para atender às demandas impostas pela quarta revolução industrial.

Vagas limitadas, não perca! Inscreva-se aqui.

Implementação de técnica de detecção de falhas de processo no Elipse Plant Manager

O Sistema de Gerenciamento de Informações de Processo da Elipse Software é utilizado em TCC do curso de Eng. Química da UFMG para validar técnica estatística multivariada na detecção de falhas em processos.

O Trabalho de Conclusão de Curso ressalta, logo na introdução, um dos problemas decorrentes da era atual dos dados e democratização da informação: a dificuldade de se lidar com o elevado volume de dados produzido e armazenado. Apesar de representarem um grande potencial de informações importantes para o processo de tomada de decisões, esta dificuldade acaba sendo mais um ônus para as empresas, simplesmente por não darem conta de processar os dados, e extrair e interpretar informações, tudo em tempo hábil.

Na busca de atender ao nível de supervisão e controle da produção do segmento de processos químicos industriais, o Grupo propôs uma solução baseada em uma técnica estatística multivariada, denominada Análise por Componentes Principais (PCA, Principal Component Analysis). Empregou-se esta técnica com o objetivo de detecção de falhas no processo, viabilizando o processamento de um grande volume de dados de maneira objetiva e sistemática. Uma vez aplicada em áreas como a de manutenção, por exemplo, é possível gerar impactos positivos diretos sobre a continuidade da produção, através da redução de paradas não planejadas, implantação e/ou melhoria de políticas de manutenções preventiva e preditiva, entre outros.

A solução proposta consistiu na implementação da técnica PCA em um script em linguagem Python, a partir de programação integrada ao ambiente de análises do Elipse Plant Manager (EPM). Desenvolvido pela Elipse Software, o EPM provê a gestão dos dados de processo, viabilizando desde simples visualizações de tendências, com gráficos de séries temporais, até análises mais elaboradas e complexas, como a proposta desenvolvida pelo Grupo.

A validação da solução proposta ocorreu através de um estudo de caso: o benchmark Tennessee, um processo amplamente utilizado por Universidades e Centros de Pesquisa para o desenvolvimento e teste de novos algoritmos e proposições relacionadas às áreas de controle e monitoramento de processos. Como resultado, obteve-se sucesso na detecção de muitas das falhas previamente conhecidas, em consonância com resultados similares obtidos em outros trabalhos.

A Figura a seguir, extraída do trabalho original, mostra, em (a), o ícone do plug-in PCA (círculo vermelho), desenvolvido pelo Grupo em linguagem Python, e integrado ao EPM Dataset Analysis do EPM Studio. Em (b), mostra-se um gráfico de controle multivariado, no ambiente do EPM, e a detecção de uma falha após um período inicial de condição operacional normal, com a extrapolação do sinal da métrica multivariada de monitoramento para além do limite de controle (linha vermelha).

Com esta ferramenta, é possível visualizar graficamente as métricas de monitoramento da metodologia adotada, com o objetivo de detecção de falhas.

Ressaltamos ainda os seguintes parágrafos extraídos do capítulo de “Resultados e Discussão”:

"Os gráficos de controle exibidos no EPM ilustram a conveniência do monitoramento de processos com a técnica PCA, uma vez que diversas variáveis podem ser representadas em um único gráfico. Desse modo, agiliza-se a identificação de falhas e facilita-se a tomada de decisões assertivas, em um contexto atual de muitas informações de processo disponíveis, o que dificulta a extração de informações úteis por parte dos Engenheiros. Mostrou-se, dessa forma, um exemplo de integração entre uma técnica estatística avançada de análise de dados de processo, o PCA, que geralmente não está presente no dia-a-dia das indústrias, e um software historiador de processos, comumente usado no meio industrial."

O trabalho completo está acessível através do seguinte link: REL_FINAL.pdf

Mais detalhes sobre o desenvolvimento de Plug-ins em linguagem Python, no ambiente de análises da ferramenta EPM Studio, pode ser visto no seguinte Webinar disponibilizado no canal Youtube da Elipse Software: Webinar - Agilizando análises no EPM com o poder da linguagem Python

e no KB da Elipse Software (Knowledgebase): Agilizando análises no EPM Studio Dataset Analysis (EPM 3) através de plugins.

Informações sobre o trabalho

Historiador de Processos Industriais: análise e visualização de dados com o software Elipse Plant Manager (EPM)

Trabalho de Conclusão do curso de Engenharia Química da Universidade Federal de Minas Gerais – UFMG – ano 2016

Componentes: Bruno Lacerda Campos, Filipe Pinho de Mello, Harnon Martins Ramos, Mariana Myriam Fraga, Vinícius Machado Campos e Souza

Orientador: Prof. Gustavo Matheus de Almeida

Co-orientador: Eng. Rodrigo Cesar de Miranda

Vaga de estágio para programador

Olá!

Você é daqueles que gosta de propor soluções e enfrentar desafios? Gosta de programar? Está por dentro das novidades do mercado de tecnologia? Sabe C# e tem noções de C++, HTML e javascript?

Então, temos uma vaga de estágio para trabalhar no Elipse Plant Manager, o PIMS da Elipse Software.

Como você pode participar do processo?

1) Crie um serviço REST (C#, JavaScript ou C++) que conecte no webservice do CPTEC/INPE (mais informações em http://servicos.cptec.inpe.br/XML/) e busque a previsão das temperaturas máxima e mínima para o dia seguinte na cidade especificada e retorne a informação encontrada;

ex: http://localhost:5000/porto alegre/previsao

2) Faça um vídeo de no máximo 5 minutos mostrando e explicando a solução e diga porque você quer trabalhar conosco;

3) Envie seu currículo e link do vídeo para cristian@elipse.com.br. A vaga é para a sede da Elipse, em Porto Alegre.

Estágio de Maker Arduino/Raspberry

Olá!

Você é daqueles que gosta de mexer com Arduino ou Raspberry? Já fez algumas automações com uma dessas plataformas?

Então! Temos uma vaga aberta para trabalhar no Elipse Mobile, uma plataforma móvel para integração de sistemas de automação.

Como você pode participar do processo de seleção?

1) Crie uma conta no Elipse Mobile e conecte ao seu Arduino (siga o tutorial). Caso não tenha um Arduino e queira fazer com Raspberry, terá apenas que implementar o mesmo protocolo nele (veja o código no GitHub);
2) Faça um vídeo da sua solução (ligando/desligando lâmpadas, por exemplo) usando o Elipse Mobile (app ou web) e diga por quê quer trabalhar neste projeto;
3) Envie seu currículo e link do video para abc@elipse.com.br até o dia 30/09/2016.

A vaga é para a sede da Elipse, em Porto Alegre.

Configurando o driver Modbus no Elipse E3

O vídeo foi gravado durante o Webinar sobre as configurações avançadas do driver Modbus. Tais configurações não são vistas nos treinamentos tradicionais da Elipse. Foi apresentado o funcionamento do protocolo, suas funções, como realizar a parametrização numérica e por string, o uso de um SOE (Sequencing of Events) genérico e outras configurações.

Os cinco componentes fundamentais de uma solução de Internet das Coisas (IoT)

1. Sensores

O primeiro dos componentes fundamentais são os sensores, que farão a medição ou interface com as coisas físicas, podendo também ser atuadores, robôs, qualquer coisa. Se queremos medir a temperatura, pressão, aceleração, então devemos escolher um sensor ou equipamento capaz de fazer o trabalho. Uma lista de equipamentos que pode ajudar na construção disso encontra-se aqui.

2. Conectividade

Depois de escolhido o sensor, é hora de conectá-lo à internet, de maneira segura e confiável. Existem inúmeras redes que podem ser escolhidas, desde ZigBee até rede de celular 3G e 4G, tudo dependerá do tipo de solução que está sendo desenvolvida e seus custos envolvidos.

3. Plataforma

Os dados transmitidos pelos sensores através da rede escolhida deverão ser recebidos, processados e guardados em uma plataforma tipicamente baseada em nuvem. Um solução em nuvem terá melhores condições de aumentar sua capacidade, conforme mais e mais sensores forem adicionados à solução.

4. Análise dos dados

Depois de termos os dados brutos gravados, é necessário que sejam feitos estudos adicionais que transformem esses dados em informações úteis - e por que não, surpreendentes - para os usuários.

5. Interface do usuário

Por último, mas não menos importante, definir como serão apresentadas as informações para o usuário final. A solução deve considerar a apresentação em qualquer celular, tablet ou navegador, assim sua abrangência será maior.

IIoT e Elipse Mobile - Palestra do Elipse Tech 2015

IIoT e Elipse Mobile from Alexandre Balestrin

Arduino na nuvem

Estamos nos últimos ajustes para lançar oficialmente nossa conexão direta do Arduino com o Elipse Mobile Server rodando na nuvem. A arquitetura pode ser resumida na imagem a seguir:

Bastará portanto que você apenas use o Elipse Mobile Server disponível em nosso site, siga as instruções para conectar seu Arduino e ele e use o Elipse Mobile Client em celulares, tablets ou navegadores para controlá-lo!

A Internet das Coisas e seu papel no aumento da produtividade da Indústria

Publicado na edição 161 da revista Brazil Automation – Julho/Agosto – 2015, páginas 32 a 40 - Por Marcelo Salvador, Diretor de Negócios, Elipse Software

Grande parte dos leitores da Brazil Automation provavelmente já ouviu falar sobre a Internet das Coisas (IoT). Para equalizar o entendimento, trata-se de uma revolução tecnológica fundamentada em dotar objetos e aparelhos do dia-a-dia com sensores e meios de comunicação, conectando-os a computadores e sistemas inteligentes. Ao adicionar ainda algum poder de processamento local, é possível transformar itens antes estáticos em componentes novos, dinâmicos e conectados, estimulando a criação de produtos inovadores e novos serviços.

Através da IoT, qualquer pessoa pode ser informada sobre um possível problema em seu carro antes que ele ocorra, através da comparação de seu funcionamento com um padrão estabelecido pelo fabricante ou comparando-o com outros veículos. Dispositivos como pulseiras inteligentes que coletam dados vitais permitem diagnosticar riscos de saúde iminentes ou indicar melhores práticas de exercícios.

Contudo, qual é a relação exata disso com a indústria? Isso já não é feito atualmente através da automação industrial? 

As indústrias de processos e manufatura passaram por diversas transformações ao longo das últimas décadas, principalmente com a massificação do uso de instrumentação, controladores (CLP´s e SDCD´s) e sistemas de supervisão e monitoramento. Hoje, é difícil imaginar uma empresa que possua uma linha de produção sem nenhum sistema de medição ou controle, por mais simples que seja, de seu processo. 

Entretanto, o custo para adicionar um novo instrumento, sensor ou malha de controle a um processo não é irrisório, apesar de ter caído em termos históricos. É preciso especificar, comprar, instalar, comissionar, alterar as telas do sistema para receber a nova indicação, adicionar a nova informação ao sistema de historiamento, etc.

A partir da observação da situação atual, é possível constatar que, na maioria das indústrias, a quantidade de dados sobre o processo que são coletados e armazenados tem crescido bastante, porém se baseiam ainda em informações essenciais referentes ao processo, ou seja, representam uma melhoria incremental sobre a forma como costuma-se processar essa informação.

Ao aplicar os conceitos da IoT na indústria, obtém-se uma nova visão sobre como coletar e processar informações de componentes, máquinas ou processos antes inviáveis econômica ou tecnicamente, com o objetivo de identificar oportunidades de melhorias, criar novas formas para produzir ou oferecer novos serviços. Em última análise, todas estas oportunidades somadas têm o poder de aumentar a produtividade da indústria como um todo.

Em um recente artigo publicado na revista Harvard Business Review, de Junho/2015, os autores Ovanessoff, Peppes e Jensen discorrem sobre o problema da competitividade na indústria brasileira, que permanece estagnado desde 2008. Na análise, os autores comprovam que o país carece de uma maior eficácia, ou seja, gerar mais riqueza com os mesmos ou menos recursos e, para isso, propõem um conjunto básico de quatro ações. Entre elas, estão a identificação dos gargalos de produtividade e a missão de extrair maior valor dos ativos já existentes. E aqui, a IIoT (internet das coisas na Indústria) pode desempenhar um papel importante.

Molas Propulsoras

Alguns fenômenos recentes unidos tornaram-se os agentes desencadeadores do boom da Internet das Coisas. Confira abaixo alguns deles:

Sensores: são a forma como traduzimos condições físicas, como temperatura, pressão, tensão, corrente e deslocamento em algo mensurável. Tal como outros avanços tecnológicos, com o tempo, eles têm ficado menores, mais baratos, sofisticados e ainda por cima consomem menos energia (ou nenhuma, em alguns casos). Como exemplo, em 2007, o custo de um acelerômetro nos EUA era da ordem de US$3. Em 2014, estava na casa de US$0,54.

Meios de comunicação: além do avanço do acesso à internet e das redes locais sem fio (WiFi), graças à popularização da telefonia celular, é possível adicionar telemetria, via modems GPRS, a qualquer dispositivo com comunicação dentro do raio de cobertura das operadoras. Entretanto, como essa opção tem seus prós e contras, surgiram rapidamente novas formas, tornando os preços cada vez mais competitivos. Entre elas, as redes de rádios Mesh, Wimax, PLC (Power Line Carrier) e satélites BGAN, para citar algumas.

Smartphones: permitem que as pessoas tenham acesso à informação e possam interagir com o mundo a qualquer momento.

Computação em Nuvem: graças à melhoria da qualidade do acesso à internet, é possível transferir o armazenamento e processamento dos dados para servidores fora do ambiente corporativo, diminuindo os custos de aquisição e gerenciamento da infraestrutura de TI.

Big Data e Analytics: tecnologias que permitem processar e obter indicadores e análises sobre grande quantidade de dados, oferecendo apoio para a tomada de decisões com base em situações reais. É aqui que reside o benefício final da IIoT.

Alguns autores se referem às características dos dispositivos de IoT como os “3 I´s”: instrumentados, inteligentes e interconectados.

Como exemplo do uso dessas tecnologias, visualize uma empresa A que possua motores dos fabricantes X e Y. Através do monitoramento e uso de algoritmos inteligentes, a empresa A pode comparar os dados dos diversos motores e concluir que um determinado motor do fabricante X gasta, no geral, 10% a mais de energia do que os demais. Assim, é possível agir localmente para corrigir o problema.

Através do compartilhamento dessas informações com o próprio fabricante X, a empresa A pode obter comparativos desse motor com outros similares das empresas B e C, por exemplo. Já o fabricante X pode concluir se aquela unidade específica apresenta defeitos ou se é um erro de projeto.

Desta forma, X pode oferecer um serviço de monitoramento contínuo para seus clientes, com base em benchmarkings reais, seja de manutenção preditiva, seja preventiva, de forma a diminuir custos de O&M.

Potencialidades da IIoT

Preparando o Terreno

Os componentes do IIoT podem ser conceitualmente separados em três partes:

Coleta de Dados

Independente do uso de novos sensores, inteligência local ou concentradores de dados, de alguma forma, a IIoT pressupõe a coleta e o tratamento de dados, cuja quantidade a depender da aplicação pode ser realmente grande. Para isso, diferentes aspectos devem ser observados:

• Auto-Discovery: novos protocolos e serviços devem permitir que o sistema de coleta descubra automaticamente a existência de um novo sensor ou dispositivo.  Apesar dos protocolos existentes continuarem a ser utilizados, iniciativas como MQTT e CoAP merecem destaque por proporem a adoção desse mecanismo.
• Auto-Configuration: caso o address-space (base de dados do dispositivo) não seja padronizado, deve haver um meio do sistema obter ou identificar automaticamente essa base, evitando assim um procedimento manual, que obrigatoriamente pode levar a erros, necessitar de comissionamento ou ainda adicionar custos, tornando o processo inviável economicamente.
• Uso em Nuvem: a utilização de servidores on premises (dentro da empresa) ou na nuvem deve ser transparente ou facilmente migrável.
• Escalabilidade: o sistema deve ser capaz de suportar uma quantidade de dispositivos que pode começar com centenas, indo até a casa dos milhões. A adição de novos servidores ou a divisão da carga de processamento em diferentes máquinas não deve representar um transtorno operacional.

Armazenamento e Estruturação da Informação

Depois de coletar todos esses dados, é preciso validar, organizar e armazenar a informação para que tenha a velocidade, confiabilidade e representatividade necessária e suficiente, de forma que as análises realizadas pelas próximas camadas sejam rápidas e precisas para atender as demandas do negócio.

O armazenamento das variáveis, ao longo do tempo (histórico temporal), deve prever algum mecanismo de otimização para diminuir o espaço em disco necessário, bem como aumentar a velocidade das consultas. Para isso, são utilizados algoritmos como o BoxCar/Backslope, que propaga uma banda morta na horizontal e outra na diagonal, permitindo que dados em trajetória horizontal constante, em subida ou descida, sejam guardados da forma mais eficiente possível, respeitando um fator de recuperação desejado pela aplicação.

Algoritmo de compactação de séries históricas

Quando se fala em “Big Data”, muitas pessoas associam à questão apenas ao volume de dados que precisam ser trabalhados. Doug Laney, em artigo datado de 2001, introduz o conceito de 3 V´s: Volume, Velocidade e Variedade. Ou seja, ao se pensar exclusivamente no volume, não necessariamente se está atendendo de forma adequada a implementação. Em diversas aplicações, o Volume pode até não ser relevante e outros fatores como a Velocidade e a Variedade são mais importantes.

Novos autores introduziram dois novos V´s: Veracidade e Valor, sem dúvida, o mais importante deles, visto que são produzidos muitos dados hoje em dia, mas que nem sempre podem ser transformados em benefícios diretos. No quadro abaixo, é possível ter uma visão mais completa destes diferentes aspectos.

Os 5V´s do Big Data

A estruturação ou representação do sistema de IIoT através de um modelo adequado, quando possível, permite extrair o conhecimento de forma mais eficiente e dinâmica.  A veracidade dos dados delegados ao modelo, entretanto, tem papel fundamental no sucesso das análises. O termo GIGO (Garbage-in Garbage-out), atribuído ao técnico da IBM George Fuechsel, reflete bem a situação. Caso sejam utilizados dados ruins em um ótimo modelo matemático, a saída será obrigatoriamente um resultado ruim. Da mesma forma, ao usar dados bons em um modelo ruim, a saída será igualmente um lixo.

Garbage In - Garbage Out

Outro benefício da estruturação da informação é que todos os colaboradores e aplicações podem ter uma visão única sobre os ativos, oferecendo assim uma base sólida para qualquer tipo de análise. Para que seja possível inferir conclusões de forma consistente através do tempo, uma boa modelagem de tempo real para IIoT deve conter algumas entidades principais:

• Tipos de Objetos: declaração de motores, válvulas, máquinas e assim por diante
• Atributos: propriedades de cada objeto. Entre eles, o fabricante, potência nominal, modelo, outros dados de etiqueta ou cadastrais
• Instâncias: representam os itens reais ou virtuais definidos pelos tipos. De preferência, devem utilizar nomes padronizados por alguma norma ou regra interna da empresa. Ex: XV101 (Válvula), MT6713A (Motor)
• Propriedades: itens de armazenamento temporal que representam as medições e dados coletados de grandezas, como temperatura, pressão, velocidade, posicionamento, estado e assim por diante. Aqui é importante mencionar a necessidade de equalizar as unidades de engenharia para as grandezas analógicas (a temperatura do Forno1 é 300 oC ou F?) e também a semântica para os dados discretos (estado da válvula XV103A em 0 significa aberto ou fechado?)
• Cálculos: propriedades como resultado de cálculos entre membros do próprio objeto (neste caso já definidos de forma fixa) ou pelo relacionamento com entidades externas. Aqui podem ser encontrados indicadores importantes do processo (KPI´s) capazes de serem inclusive historiados como novas variáveis.
• Relacionamentos: como cada objeto se relaciona ou interfere nos demais, representando não somente graus de parentesco (hierarquias comuns), mas também relacionamentos dinâmicos que podem ser modificados ao longo do tempo, exprimindo informações, como similaridade ou padrões de comportamento.

Na figura abaixo, alguns tipos de relacionamentos:

Tipos de Relacionamentos

Análise e Ação

A estruturação da informação exposta acima permite que sejam incorporadas diversas situações de consulta e pesquisa. Um dos grandes esforços nesse sentido já está disponível em algumas soluções de mercado através do padrão OPC UA (Unified Architecture).

Nascido como uma evolução dos padrões OPC mais comumente encontrados (DA, A&E, HDA, XML), o OPC UA introduz uma série de conceitos - antes dispersos ou complexos de serem implementados – de forma nativa, como autenticação, autorização e comunicação através de webservices para tráfego por firewalls.

Especificamente na questão IIoT, vale destacar os seguintes aspectos do OPC UA:

• Agregação de Servidores: o conteúdo provido por um servidor OPC UA, rodando em uma máquina X, pode ser exposto por outro servidor OPC UA, rodando numa máquina Y, dinamicamente, oferecendo assim capacidade e escalabilidade para qualquer tamanho de aplicação;
• Suporte a Objetos: tipos de dados, como motores, bombas, disjuntores ou outras entidades podem ser expostas a clientes OPC UA, permitindo buscar informações a partir deles;
• Consultas Padronizadas: permite a clientes OPC UA (quem está consultando) definir agregações históricas, como, por exemplo, interpolações, estatísticas ou intervalos de tempo em estados específicos, como ligado e desligado.

Além disso, caso a estruturação realizada contenha o modelo semântico, isto é, o significado das variáveis e o relacionamento entre os objetos, é possível, via OPC UA ou mesmo por meio de linguagens tradicionais (SQL, CQL e SPARQL), extrair conhecimento, dando significado às palavras. Isto, permite realizar pesquisas como a descrita abaixo:

Selecione todas as bombas na Usina1 com potência nominal entre 500HP e 1000HP cuja energia média consumida no mês de abril for maior que 0,8KWh/HP. 

Realize a mesma consulta agora para a Usina2.

Indique a porcentagem de eficiência por fabricante, combinando as Usinas1 e 2.

Verifique se essa classificação tem relação com a agressividade do ambiente, tempo de vida ou última manutenção.

Alguns destes conceitos somados têm sido estudados e desenvolvidos por diversas empresas e universidades, sendo chamados também de Indústria 4.0. Entre seus benefícios, é possível listar:

• Redução de Custos;
• Economia de Energia;
• Aumento da Segurança;
• Preservação do Meio Ambiente;
• Redução de Erros;
• Diminuição do Desperdício;
• Maior Transparência e Visibilidade nos Negócios;
• Aumento da Qualidade de Vida;
• Personalização e Escala sem Precedentes.

Uso Prático no Aumento da Produtividade

Através da implementação dos recursos de modelagem expostos, é possível coletar diversas fontes de informação em uma indústria simultaneamente e, via o modelo semântico de dados, correlacionar estas informações.

Veja o exemplo de uma empresa siderúrgica que precisa realizar uma manutenção preventiva em seus transformadores de energia, baseada em um calendário. Muitas vezes, recursos materiais e de mão-de-obra são gastos em equipamentos que estão em perfeito estado, simplesmente por haver chegado o momento programado para a manutenção.  

Entretanto, ao utilizar algumas análises baseadas em dados atuais, correlacionando variáveis externas, como a data da última manutenção, pode-se estabelecer um indicador de saúde, direcionando assim os recursos para os casos mais urgentes. Esta técnica, também conhecida como CBM (Condition Based Maintenance), permite aumentar a produtividade do processo de manutenção, de forma integrada aos demais sistemas e controles mantidos por legislação.

Conclusão

A avaliação do retorno de um investimento em aplicações IoT nem sempre pode ser diretamente mensurada. Entretanto, ao adotar uma infraestrutura adequada, é possível gerar novas informações, análises e indicadores para o processo a um custo relativamente baixo.

A forma como os dados são modelados, consolidados e armazenados possui uma relação direta com a diminuição desse custo de reutilização da informação, o que valida os esforços de padronização da informação mencionados. 

As possibilidades do uso de IoT são virtualmente infinitas e, conforme o acesso a estas tecnologias se torna mais fácil e mais casos de sucesso são implementados, um novo patamar de produtividade para a Indústria vai sendo moldado.