Dados confiáveis primeiro, IA em seguida
Nossa abordagem tem duas camadas. A primeira estrutura os dados do ambiente operacional, integrando sistemas, sensores e registros que hoje estão dispersos. A segunda aplica modelos analíticos e de IA sobre essa base para apoiar decisões de planejamento, operação e manutenção. Sem a primeira camada, a segunda não se sustenta.
Saber quando intervir antes do alarme ou do trip
Equipamentos eletromecânicos de geração produzem muitos dados, mas eles costumam ser analisados de forma isolada, um parâmetro de cada vez. O resultado é uma manutenção que reage ao alarme. Nossa plataforma reúne os dados de cada ativo em uma única base e usa IA para responder a quatro perguntas: quais equipamentos têm maior potencial de falha, com base em quais parâmetros, que manutenção fazer e quando, e quanto custo se evita ao agir antes.
Escopo de ativos: unidades geradoras (gerador, turbina, mancais, regulador de velocidade e excitação), transformadores elevadores e sistemas auxiliares. A aplicação inicial é em usinas hidrelétricas, com arquitetura extensível a usinas eólicas e fotovoltaicas.
Como funciona
Coleta de dados
Conexão ao PI System, ao SAP PM, aos sistemas de ensaios e laboratório e aos registros de inspeção.
Tratamento e integração
Saneamento das séries, sincronização e contextualização de cada variável pelo regime de operação (potência, níveis de montante e jusante, clima), em uma base única por ativo.
Análise com IA
Modelos de comportamento normal e de correlação multivariável aprendem a assinatura de cada máquina. O desvio, sua tendência e sua velocidade formam um índice de potencial de falha, com explicação dos parâmetros envolvidos.
Decisão preditiva e prescritiva
Cada padrão de desvio é associado a um modo de falha e a uma ação de manutenção, com a janela recomendada e o custo evitado estimado.
Central de alarmes
Alarmes em níveis (atenção, alerta, crítico), agrupamento de alarmes correlatos para reduzir ruído e priorização por risco e valor.
Complementos
Matriz de criticidade que cruza o potencial de falha com a importância de cada ativo para o negócio, e cartões de saúde por equipamento com índice, tendências, ensaios, inspeções, histórico e recomendações.
Como medimos o resultado
Tempo de indisponibilidade, taxa de desligamento forçado, MTTF, MTBF e custo de manutenção.
A decisão continua com a engenharia do cliente. A plataforma recomenda e explica, e a equipe valida e programa a intervenção.
Equipes posicionadas antes da demanda chegar
Em distribuição de energia, boa parte das ocorrências acompanha o clima. Mesmo assim, equipes e operadores costumam ser alocados de forma estática, com remanejamento manual durante o evento. Nossa plataforma cruza o histórico de ocorrências, os dados das equipes, a localização das viaturas e as previsões meteorológicas para responder a três perguntas: quanto trabalho vai chegar a cada região nos próximos dias, onde cada equipe e cada operador deve estar antes disso e qual equipe deve atender cada ocorrência.
Como funciona
Coleta e integração
Conexão por APIs aos sistemas de ocorrências, cadastro e escalas de equipes, ADMS, SAP, rastreamento veicular e fontes meteorológicas.
Tratamento
Saneamento das séries históricas e contextualização de cada ocorrência por região, tipo de defeito, turno e condição climática.
Previsão de demanda
Modelos de machine learning por região correlacionam ocorrências com chuva, vento, descargas atmosféricas, temperatura e focos de queimada, e estimam a demanda dos próximos 7 dias por turno, com faixa de incerteza.
Otimização da alocação
Programação inteira e heurísticas convertem a previsão em recomendações de realocação preventiva, escalas de sobreaviso e redistribuição de regiões entre os operadores do centro de operação.
Despacho assistido
Durante o evento, a plataforma cruza a posição das viaturas, o status das ocorrências e as habilidades de cada equipe para sugerir quem atende cada chamado.
Painel e simulação
Demanda prevista versus capacidade alocada por região, alertas automáticos e simulação de cenários climáticos para testar estratégias antes de aplicá-las.
Na prática
A previsão é recalculada todos os dias. Quando um evento crítico é identificado, o supervisor recebe, com 24 a 48 horas de antecedência, o impacto esperado por região e um plano de realocação sugerido. Ao final, os dados realizados retroalimentam os modelos.
Como medimos o resultado
Tempo médio de resposta, horas extras, balanceamento da carga de trabalho e os indicadores de continuidade DEC e FEC.
Dados de localização de empregados são pseudonimizados e usados apenas para fins operacionais, com controle de acesso por perfil e criptografia, em conformidade com a LGPD.
Modelos que já rodam com dados reais
Projetos de IA em indústria de grande porte com participação de integrantes do nosso time.
- 24 hde antecedência na identificação do potencial de quebra de equipamentos industriais
- 97%de assertividade na predição do consumo de gás natural em usina siderúrgica
- 98%de assertividade na predição da temperatura de fornos de coqueria
- 7 a 90 diasde horizonte na previsão de demanda para planejamento de produção e estoques
- D+1na previsão da demanda de caminhões e de horas extras em pátios de sucata, com otimização da alocação
- +20%de produtividade em 10 máquinas com sequenciamento produtivo por IA
Setor elétrico
O time reúne engenheiros com atuação em geração de energia, gestão de ativos, monitoramento online e diagnóstico de hidrogeradores e transformadores em hidrelétricas de grande porte do país, ao lado de cientistas de dados com experiência em IA industrial. A experiência do time soma mais de 200 plantas industriais, incluindo o setor de energia.
Inovação aberta
Integrantes do time participaram de programas de inovação aberta como Açolab, FIEMG Lab e Instituto Caldeira.
Da prova de conceito à operação
Cada projeto começa com os dados históricos do próprio cliente e avança por etapas com hipóteses e métricas definidas. A decisão de seguir para a etapa seguinte é tomada sobre resultados medidos.
Prova de conceito
cerca de 3 mesesAcesso aos dados, relatório de qualidade, base única e primeiros modelos validados com dados históricos de uma unidade piloto.
Piloto
cerca de 6 mesesOperação real e assistida na unidade piloto, com alertas, recomendações e painéis em uso pelas equipes do cliente.
Expansão
em ondasConsolidação, pacote de replicação e expansão para as demais unidades, com retreino periódico dos modelos.
O que desenvolvemos com o cliente
Integração da base de dados, seleção de variáveis e modos de falha, calibração dos modelos ao regime de operação, regras de recomendação alinhadas aos métodos de manutenção e de operação já existentes, e custos de referência para medir o valor de cada intervenção.
Tem um desafio operacional que depende de dados?
Conte para a gente qual decisão sua equipe precisa antecipar. Avaliamos os dados disponíveis e propomos um caminho que comece por uma prova de conceito.
Falar com a Allto ↗