Manutenção preditiva sem sensores novos: o que os seus PLCs e o seu ERP já registam

A convicção de que a manutenção preditiva começa num catálogo de sensores é, provavelmente, a ideia que mais paragens não planeadas custa às PMEs industriais portuguesas. O raciocínio ouve-se em qualquer fábrica: prever avarias exige instrumentar as máquinas, instrumentar custa caro, logo fica para o próximo orçamento. O raciocínio falha no primeiro passo. A matéria-prima da manutenção preditiva não são sensores novos: são registos, e a fábrica já os produz todos os dias sem ninguém pedir.

Um variador de frequência mede a corrente do motor a cada instante. O PLC da linha guarda alarmes, códigos de paragem e horas de funcionamento. O ERP acumula anos de ordens de trabalho: o que avariou, quando, com que frequência, que peças consumiu. Nada disto foi instalado para prever avarias. Mas é com sinais destes que se constroem os programas de manutenção preditiva por trás dos números que toda a gente cita, e que vale a pena citar com a fonte à vista.

Os números de referência não dependem de hardware novo

O estudo na origem dos números que circulam é o do McKinsey Global Institute, publicado em junho de 2015: a manutenção preditiva pode reduzir os custos de manutenção até 40% e cortar as paragens não planeadas para metade. O mesmo relatório acrescenta um efeito menos falado: adiar a compra de equipamento novo, porque prever avarias prolonga a vida útil do que já existe.

A Deloitte, num position paper de 2017, aponta médias na mesma direção: a manutenção preditiva aumenta a produtividade em 25%, reduz as avarias em 70% e baixa os custos de manutenção em 25%.

E há um terceiro estudo, menos citado e mais valioso, porque mediu resultados reais em vez de potenciais. A PwC e a Mainnovation inquiriram em 2018 um total de 268 empresas na Holanda, na Alemanha e na Bélgica. As que já praticavam manutenção preditiva com dados reportavam, em média, mais 9% de disponibilidade, menos 12% de custos, menos 14% de riscos de segurança, saúde, ambiente e qualidade, e mais 20% de vida útil nos ativos envelhecidos. Entre as que usavam grandes volumes de dados, 95% diziam já ter resultados concretos.

Estudo	O que reporta	Resultados
McKinsey Global Institute, 2015	Potencial da manutenção preditiva com dados de operação	Custos de manutenção até -40%; paragens não planeadas reduzidas para metade; menos investimento em equipamento novo
Deloitte Analytics Institute, 2017	Médias de programas de manutenção preditiva	Produtividade +25%; avarias -70%; custos de manutenção -25%
PwC & Mainnovation, 2018	Resultados medidos em 268 empresas (Holanda, Alemanha, Bélgica)	Disponibilidade +9%; custos -12%; riscos de segurança e qualidade -14%; vida útil de ativos envelhecidos +20%

Repare no que nenhum destes documentos diz: que os resultados dependem de uma marca de sensores ou de uma plataforma específica. O que os três descrevem são programas: dados sobre o estado dos equipamentos, um modelo que aprende os padrões que antecedem a avaria, e uma equipa que ajusta o plano de intervenções com base nisso. Para o método, a origem dos dados é indiferente. Se já existem, o programa começa mais cedo e mais barato.

O que a fábrica já regista sem ninguém pedir

Antes de orçamentar um único sensor, vale a pena inventariar o que já se regista. Numa PME industrial típica, a lista inclui:

• Horas de funcionamento e contagens de ciclos, no PLC ou no contador do próprio equipamento.
• Correntes e frequências dos motores, medidas pelos variadores de frequência que já lá estão.
• Alarmes e códigos de paragem, no histórico do PLC ou da consola HMI.
• Temperaturas e pressões que o processo já mede para controlo, não para manutenção.
• Ordens de trabalho no ERP ou no software de manutenção: datas, descrições de avaria, tempos de reparação, peças consumidas.
• Rondas e registos de turno em papel ou Excel, que valem como histórico assim que ganham estrutura.

O relatório The True Cost of Downtime 2024, da Siemens/Senseye, mediu este ponto nas grandes organizações industriais: 87% dos grandes fabricantes já recolhem dados que tornam a manutenção preditiva possível, e metade recolhe pelo menos um de três sinais-chave: corrente elétrica, vibração e temperatura. Repare no primeiro da lista. Não é preciso comprar um sensor de corrente quando o variador que alimenta o motor já a mede. As fontes de dados que o relatório enumera são familiares a qualquer PME: registos de manutenção, sistemas operacionais, MES; cerca de três quartos das empresas ainda recorrem aos historiadores de dados da fábrica.

Numa PME o retrato é menos instrumentado do que numa multinacional, claro. Mas raramente é zero. A pergunta certa não é “que sensores faltam”, é “que registos já temos e ninguém está a olhar”.

Continuar a reagir tem um preço que sobe

Os mesmos inquéritos que medem a adoção medem o custo de não a ter. Segundo o relatório da Siemens/Senseye de 2024, uma hora de paragem numa grande fábrica automóvel custa 2,3 milhões de dólares, e na indústria pesada o custo por hora subiu 319% entre 2019 e 2023. Uma grande fábrica média perde 27 horas por mês em 25 incidentes. E recuperar de cada paragem demora hoje, em média, 81 minutos, contra 49 há cinco anos: saíram técnicos experientes, as peças demoram mais a chegar, e as avarias que restam são as mais difíceis.

Estes números vêm de grandes organizações, mas o relatório dedica uma secção às pequenas e médias: no topo, o custo de uma hora parada pode chegar aos 150.000 dólares, e há dois custos que as PMEs conhecem melhor do que ninguém, o risco de perder o estatuto de fornecedor por falhar entregas (a métrica OTIF, On Time In Full) e o stock de segurança que se mantém “por via das dúvidas”.

Quanto custa uma hora parada na sua fábrica? A maioria responde com um número redondo, de cabeça. Esse número, calculado com dados reais de encomendas, turnos e energia, é quase sempre diferente do estimado. E é o primeiro resultado útil de qualquer programa: saber quanto se perde antes de decidir quanto investir para deixar de perder.

O que trava as PMEs não são os dados

Se a matéria-prima existe, porque é que a manutenção preditiva continua a ser coisa de grande empresa? O relatório da Siemens/Senseye mostra o fosso: quase metade das grandes empresas inquiridas tem hoje equipas dedicadas de manutenção preditiva, o dobro de 2019, e nove em cada dez fazem alguma forma de monitorização de condição. Nas PMEs, o retrato é outro, e as razões são menos técnicas do que parecem.

A primeira é a perceção do bilhete de entrada. Quem vende plataformas de manutenção preditiva dimensiona propostas para grupos industriais: sensores, gateways, subscrições, integração. Para uma PME com três equipamentos verdadeiramente críticos, o orçamento parece desproporcionado ao problema, e a resposta racional é adiar.

A segunda é o tempo. A equipa de manutenção de uma PME vive a apagar fogos; montar um programa parece um luxo de quem tem gente a mais. É um círculo vicioso conhecido: não há tempo para prevenir porque se gasta o tempo todo a reagir.

A terceira é a dispersão. Os dados existem, mas o PLC guarda alarmes durante um período limitado e depois reescreve-os, as ordens de trabalho estão descritas em texto livre, as rondas vivem em papel. Ninguém os juntou num sítio onde um padrão se possa ver.

Nenhuma destas barreiras se resolve com hardware. As três resolvem-se com organização de dados e com um âmbito bem escolhido. O mesmo relatório da Siemens nota, aliás, que o custo da tecnologia está a descer e que as PMEs que a adotam ganham estatuto de fornecedor de primeira linha junto dos clientes grandes.

Um programa a sério começa num equipamento, não numa plataforma

Na prática, um programa de manutenção preditiva construído sobre dados existentes tem uma forma simples. Escolhe-se um equipamento crítico: o que pára a linha inteira quando falha, ou o que mais aparece no histórico de ordens de trabalho. Juntam-se os sinais que já se registam sobre ele, do PLC, dos variadores, do ERP, das rondas. Estabelece-se a linha de base do comportamento normal. E só depois se decide o que falta: muitas vezes as primeiras conclusões saem de regras simples sobre tendências e alarmes, antes de qualquer modelo.

Com histórico suficiente, o passo seguinte é estimar a vida útil restante do equipamento a partir dos sinais de operação. É esse o problema que mostramos no nosso caso de manutenção preditiva, uma demonstração que construímos sobre o conjunto de dados de referência C-MAPSS da NASA: prever quantos ciclos de funcionamento restam a um equipamento usando apenas as medições que ele próprio gera durante a operação, sem nenhum sensor instalado para o efeito.

A manutenção preditiva é uma das quatro áreas em que trabalhamos, e a lógica é a mesma nas outras três: partir dos dados que a fábrica já gera, no ERP, nos PLCs, no Excel ou no papel, sem hardware novo nem troca de sistemas.

Por onde começar

Cinco passos que qualquer fábrica pode dar sozinha, sem comprar nada:

1. Escolha um equipamento crítico. O critério é simples: o que, quando pára, pára o resto, ou o que mais vezes aparece nas ordens de trabalho do último ano.
2. Inventarie o que já se regista sobre ele. PLC (alarmes, horas, contadores), variadores (correntes), ERP ou software de manutenção (ordens de trabalho, peças), papel e Excel. Uma folha chega para o inventário.
3. Puxe o histórico de ordens de trabalho e conte. Quantas avarias, quanto tempo de reparação, que padrão de peças consumidas. Se as descrições forem texto livre e incontável, essa é a primeira conclusão: o registo precisa de disciplina antes de precisar de tecnologia.
4. Calcule o custo de uma hora parada desse equipamento. Inclua encomendas atrasadas, pessoas paradas, arranques e afinações. Sem este número, qualquer decisão de investimento em manutenção é feita às cegas.
5. Guarde os dados do PLC antes que se reescrevam. Muitos PLCs e consolas guardam alarmes por tempo limitado. Exportá-los regularmente para um ficheiro é o passo zero de qualquer histórico, e não custa nada.

Perguntas frequentes

Preciso de sensores IoT para fazer manutenção preditiva?

Não para começar. Correntes nos variadores, alarmes e horas de funcionamento no PLC e o histórico de ordens de trabalho no ERP chegam para um primeiro programa num equipamento crítico. Sensores dedicados, de vibração por exemplo, fazem sentido mais tarde, quando os dados existentes já mostraram onde valem o investimento.

Que dados do PLC servem para prever avarias?

Alarmes e códigos de paragem, horas de funcionamento, contagens de ciclos e as grandezas que o processo já mede: temperaturas, pressões, correntes. O que interessa é o padrão destes sinais no período que antecede cada avaria; é dessa relação que um modelo aprende.

O histórico do ERP serve mesmo para alguma coisa?

Serve, e é muitas vezes o ativo mais subestimado da fábrica. As ordens de trabalho dizem que equipamentos avariam mais, com que frequência e quanto custam em tempo e peças. É por aí que se escolhe onde começar e é contra esse histórico que se mede se o programa está a resultar.

Os números dos estudos aplicam-se a uma PME?

Com cautela. O “até 40%” da McKinsey (2015) é um potencial e as médias da Deloitte (2017) são valores agregados de programas de manutenção preditiva. A referência mais honesta para gerir expectativas é o estudo da PwC e da Mainnovation (2018), que mediu resultados reais em 268 empresas europeias: mais 9% de disponibilidade e menos 12% de custos. São valores mais modestos, e ainda assim chegam para justificar um programa que começa com dados que já existem.

Quanto tempo demora até haver resultados?

Depende do histórico disponível, não do calendário de instalação de sensores, e essa é a vantagem de começar pelos dados existentes. Com registos de alarmes e ordens de trabalho em mãos, um piloto num único equipamento produz as primeiras conclusões em semanas.

Qual é a diferença entre manutenção preventiva e preditiva?

A preventiva intervém a intervalos fixos, por horas, ciclos ou calendário, quer a máquina precise quer não. A preditiva intervém quando os dados indicam que a avaria se aproxima. Na prática complementam-se: a preditiva reduz tanto as intervenções desnecessárias como as avarias surpresa.

---

Se quiser saber o que os registos dos seus PLCs e do seu ERP já permitem, uma conversa de 30 minutos chega para avaliar. Explicamos como trabalhamos antes de qualquer compromisso.

Fontes

• The Internet of Things: Mapping the value beyond the hype (executive summary) — McKinsey Global Institute, junho de 2015.
• Predictive Maintenance — Position Paper — Deloitte Analytics Institute, 2017.
• Predictive Maintenance 4.0 — Beyond the hype: PdM 4.0 delivers results — PwC & Mainnovation, 2018.
• The True Cost of Downtime 2024 — Siemens/Senseye, 2024.