Comente, compartilhe e deixe sua opinião nos comentários! Sua participação é essencial para enriquecer o debate
Por Redação
A Norsk Hydro passou a utilizar inteligência artificial e uma infraestrutura unificada de dados para antecipar falhas em equipamentos móveis empregados na extração de bauxita no Brasil. O sistema, desenvolvido com tecnologias da AVEVA, empresa de software industrial, reúne informações de sensores, telemetria da frota, análises laboratoriais e sistemas corporativos para identificar riscos operacionais e orientar intervenções de manutenção antes que ocorram paradas críticas.
A iniciativa faz parte dos programas internos Zero Equipment Breakdown (ZEB) e de Gestão de Performance de Ativos (GPA). De acordo com a Norsk Hydro, a integração entre o AVEVA PI System e algoritmos de Inteligência Artificial e Machine Learning permitiu superar a fragmentação das informações operacionais e reduzir o volume de alertas que anteriormente exigiam análise manual das equipes.
O projeto foi direcionado inicialmente a três questões centrais da operação: como reparar um equipamento, por que determinada falha ocorreu e quais medidas podem evitar novas ocorrências.
Dados fragmentados dificultavam manutenção
O principal desafio da mineradora era adaptar métodos tradicionalmente utilizados na gestão de ativos industriais fixos para máquinas móveis de grande porte, como caminhões, tratores e mineradores de superfície.
“O mercado costuma aplicar a gestão de performance em equipamentos industriais fixos. O nosso grande desafio foi expandir essa abordagem para equipamentos móveis de mineração, como caminhões, tratores e mineradores de superfície”, afirma Dyulia Rossi, engenheira de Confiabilidade da Norsk Hydro.
Segundo a engenheira, antes da implantação da nova estrutura havia dificuldades relacionadas à fragmentação dos dados, à integração limitada com os sistemas de despacho da frota e ao grande volume de alertas gerados manualmente.
Para centralizar as informações, a companhia utilizou a arquitetura do AVEVA PI System para reunir dados provenientes de sensores de Internet das Coisas (IoT), telemetria de equipamentos de diferentes fabricantes, registros laboratoriais e sistemas corporativos, como o SAP.
IA cria regras automáticas para antecipar riscos
Com os dados integrados, a Norsk Hydro estruturou uma taxonomia de ativos no PI Asset Framework (PIAF), organizando informações desde o nível da planta e dos fabricantes dos equipamentos até componentes e subsistemas específicos, como motores e circuitos hidráulicos.
Essa estrutura serviu de base para a aplicação de modelos de inteligência artificial. Segundo Dyulia Rossi, a empresa adotou uma arquitetura RAG (Retrieval-Augmented Generation) e Modelos de Linguagem de Grande Escala (LLMs) para cruzar diferentes variáveis operacionais e criar mais de 65 regras de negócio automatizadas.
De acordo com a companhia, o sistema passou a apoiar análises de causa raiz, automatizar etapas do FMEA — Análise de Modos de Falha e Efeitos — e recomendar ações de manutenção prescritiva em poucos segundos.
“O verdadeiro valor da nossa gestão de ativos está na janela de oportunidade”, diz Rossi. “Em vez de reagir a uma falha funcional, quando a operação já foi impactada, nós estruturamos os dados para identificar a falha potencial no início. Quanto mais cedo detectarmos o problema, maior será a nossa capacidade de agir e evitar paradas críticas.”
Plataforma monitora milhares de dados simultaneamente
Segundo a Norsk Hydro, a infraestrutura implantada conta com mais de 200 telas de monitoramento online, mais de 8 mil PI Points integrados, 50 tabelas de dados nativas e cerca de 1.200 elementos estruturados na plataforma.
O conjunto de informações alimenta aproximadamente 5 mil análises simultâneas e 350 notificações automatizadas, de acordo com os dados divulgados pela empresa.
A expectativa é que a automação permita às equipes concentrar a atenção em ocorrências consideradas prioritárias, com maior potencial de impacto sobre a disponibilidade dos equipamentos e a continuidade das operações.
Intervenção preventiva custou menos de 1% de reparo após falha
Em um dos casos relatados pela Norsk Hydro, o sistema identificou um tempo de deslocamento anormalmente elevado em um minerador de superfície e emitiu um alerta preditivo.
A recomendação foi abrir imediatamente uma ordem de serviço para a substituição do óleo da caixa de engrenagens responsável pelo deslocamento do equipamento. Segundo a empresa, o custo da intervenção preventiva representou menos de 1% do valor que seria necessário para reparar a máquina caso ocorresse uma falha mecânica total.
O caso ilustra a estratégia adotada pela mineradora de utilizar dados e inteligência artificial para atuar sobre sinais iniciais de deterioração dos ativos, reduzindo a necessidade de intervenções emergenciais e o risco de períodos prolongados de indisponibilidade dos equipamentos.
