Operações industriais em larga escala enfrentam um desafio comum: como manter a continuidade e a segurança dos ativos sem elevar os custos de manutenção? Em setores como o de petróleo e gás, onde a interrupção de um equipamento pode gerar perdas de milhões, o monitoramento e a antecipação de falhas são diferenciais estratégicos.
Para lidar com esse cenário, a Shell adotou uma abordagem baseada em inteligência artificial (IA) para manutenção preditiva, utilizando uma infraestrutura massiva de sensores conectados que alimentam modelos de machine learning. O objetivo é claro: identificar padrões que antecedem falhas e permitir ações preventivas antes que ocorram problemas operacionais.
Com uma operação global complexa e equipamentos críticos como bombas, válvulas, turbinas e compressores espalhados por refinarias, plataformas e usinas, a Shell precisava de uma solução capaz de:
- Monitorar milhões de pontos de dados em tempo real;
- Detectar falhas iminentes antes que causassem paradas não planejadas;
- Reduzir os custos de manutenção corretiva e os riscos de segurança;
- Apoiar decisões operacionais com base em evidências e previsões confiáveis.
O desafio era transformar um volume massivo de dados em insights acionáveis, com velocidade e precisão.
A Shell implantou uma arquitetura de manutenção preditiva com IA em larga escala. Hoje, a empresa conta com:
- Mais de 3 milhões de sensores instalados em suas operações globais;
- Um ecossistema de cerca de 11.000 modelos de machine learning, desenvolvidos para monitorar e prever o desempenho de equipamentos específicos;
- 15 milhões de previsões diárias geradas automaticamente, com base na análise contínua de sinais como vibração, pressão, temperatura e consumo de energia.
Esses modelos são ajustados constantemente com base em dados históricos e de operação atual, permitindo reconhecer padrões de falha em estágio inicial. A equipe de manutenção recebe alertas proativos, com recomendações específicas para cada ativo.
- Redução significativa de downtime: A manutenção preditiva permitiu uma redução média de 20% no tempo de parada não planejada dos equipamentos.
- Corte de custos operacionais: Ao evitar intervenções emergenciais e otimizar o tempo de manutenção, a Shell conseguiu reduzir custos diretos e indiretos.
- Mais segurança: A previsibilidade operacional minimiza riscos associados a falhas catastróficas.
- Decisões orientadas por dados: A IA fornece evidências confiáveis para apoiar decisões técnicas e priorizar recursos de manutenção.
- Escalabilidade: A arquitetura implantada é replicável em diferentes unidades da empresa, permitindo padronização e ganho de escala.
