Evolução da automação embarcada agrega IA, IoT e aprendizado de máquina

Os avanços em controles e automação transformaram a maneira como a climatização e refrigeração são gerenciadas hoje, com benefícios significativos em eficiência, custo e sustentabilidade, com abordagem à segurança cibernética.

• Veja a edição completa

A incorporação de tecnologias avançadas em sistemas de climatização e refrigeração através de controles e automação embarcada aprimoraram a eficiência, a confiabilidade e a segurança. A predição de falhas e manutenção preventiva baseadas em análise de dados é um dos benefícios proporcionados. Empresas líderes estão utilizando algoritmos preditivos para identificar potenciais problemas antes mesmo que ocorram, reduzindo significativamente custos com reparos emergenciais e aumentando a eficiência operacional.

A manutenção preditiva tem se mostrado uma abordagem eficaz para antecipar falhas e otimizar a manutenção de sistemas HVAC-R. Por meio da análise de dados coletados de sensores e dispositivos conectados, é possível monitorar o desempenho dos equipamentos em tempo real e identificar anomalias que possam indicar falhas iminentes. Um exemplo prático é o uso da termografia para monitorar painéis elétricos em sistemas de climatização. Através da detecção de variações de temperatura, é possível identificar conexões soltas, contatos defeituosos e sobrecargas, permitindo intervenções antes que ocorram falhas críticas. Além disso, empresas especializadas oferecem serviços preditivos que utilizam tecnologias de conectividade e ferramentas de diagnóstico para identificar e corrigir problemas antes que eles ocorram.

A Danfoss, por exemplo, implementa manutenção preditiva por meio do monitoramento de condição em seus equipamentos. Utilizando a computação de ponta inteligente dos conversores e o monitoramento baseado em condições, a empresa coleta dados em tempo real sobre o desempenho dos equipamentos. Esses dados são analisados para identificar padrões que indicam possíveis falhas, permitindo intervenções antes que ocorram problemas maiores.

“No cenário industrial acelerado de hoje, a importância de estratégias de manutenção proativa não pode ser subestimada. A manutenção preditiva, possibilitada pela computação de ponta inteligente do conversor e monitoramento de condição (CBM) surgiu como uma ferramenta poderosa para otimizar o desempenho do equipamento, aumentar o tempo de atividade e reduzir os custos de manutenção. O conceito de manutenção preditiva em relação ao monitoramento de condição e destaca as inúmeras vantagens em termos de eficiência econômica, desempenho do equipamento e economia de custos”, explica Nobert Hanigovszki, Head de Drivers da Danfoss Global.

Outro exemplo vem da Cool Automation, que oferece uma solução de manutenção preditiva para sistemas VRF utilizando algoritmos inteligentes para monitorar parâmetros específicos do sistema. Esses algoritmos detectam anomalias técnicas e operacionais, permitindo a correção de problemas antes que se transformem em falhas significativas.

“Os dados utilizados incluem informações contínuas sobre o desempenho do sistema, coletadas por meio de sensores integrados. Algoritmos inteligentes monitoram parâmetros específicos do sistema, permitindo a manutenção preditiva por meio da detecção de anomalias técnicas e operacionais. Relatórios complementares analisam até um ano de dados para fornecer metas de otimização e correção direcionadas”, informa Alexander Kholodenko, CTO da Cool Automation.

Exemplos ainda incluem empresas como a Trane, que utiliza análises avançadas e aprendizado de máquina para monitorar a integridade dos sistemas HVAC, observando anomalias e fornecendo recomendações de manutenção proativa; e a Johnson Controls – Hitachi, que oferece soluções de manutenção preditiva utilizando algoritmos avançados para analisar dados de sensores instalados em sistemas HVAC. Esses sensores monitoram parâmetros como vibração, temperatura e consumo de energia, permitindo a detecção precoce de anomalias e a programação de manutenção antes que ocorram falhas.

Tipo de dados utilizados

Sistemas embarcados que utilizam aprendizado de máquina (machine learning) permitem gerar relatórios e estatísticas através da forma como os sistemas de HVAC-R são gerenciados e usados para otimizar variáveis críticas como temperatura, umidade e fluxo de ar. Essas tecnologias não apenas ajustam automaticamente as condições ambientais conforme as necessidades, mas também aprendem com padrões históricos para ajustes precisos e eficiência energética.

Esses sistemas são capazes de analisar grandes volumes de dados em tempo real, aprendendo com os padrões de uso e ajustando automaticamente os parâmetros de operação para otimizar o desempenho. Por exemplo, algoritmos de aprendizado de máquina podem prever a demanda de resfriamento ou aquecimento com base em dados históricos e condições ambientais atuais, ajustando proativamente as configurações do sistema para manter o conforto e a eficiência energética. Além disso, podem identificar padrões que indicam desgaste ou falhas iminentes, permitindo a programação de manutenção antes que ocorram problemas.

Os algoritmos preditivos nos sistemas de climatização e refrigeração baseiam-se na coleta e análise de diversos tipos de dados, incluindo:

– Temperatura: Monitoramento de temperaturas internas e externas para avaliar o desempenho térmico.

– Vibração: Análise de padrões de vibração para detectar desalinhamentos ou desgastes em componentes mecânicos.

– Pressão: Medição de pressões em diferentes partes do sistema para identificar possíveis obstruções ou vazamentos.

– Fluxo de Ar: Avaliação do fluxo de ar para garantir a distribuição adequada e identificar bloqueios.

– Consumo de Energia: Monitoramento do uso de energia para detectar ineficiências ou comportamentos anômalos.

– Dados históricos de manutenção: Registro de manutenções anteriores para identificar padrões recorrentes de falhas.

“A análise desses dados permite que os algoritmos identifiquem padrões e tendências que indicam potenciais problemas, possibilitando intervenções proativas e a otimização da eficiência operacional dos sistemas. Um caso de sucesso apresentado no meu TCC na Universidade Federal de Uberlândia (UFU), foi o desenvolvimento de um sistema de manutenção preditiva 4.0 para válvulas, utilizando inteligência artificial para prever falhas e evitar paradas não planejadas. Este sistema foi capaz de melhorar a rotina operacional e reduzir custos de manutenção, demonstrando o potencial do aprendizado de máquina na otimização de sistemas”, explica a engenheira de Automação e Controle, Marcela Coury Pinto.

Adoção de IoT e exemplos de implementação

Estatísticas recentes sobre a adoção da Internet das Coisas (IoT) no setor destaca sistemas embarcados e aborda vulnerabilidades em ambientes remotos, além de estratégias de mitigação.

A integração da Internet das Coisas (IoT) tem sido adotada por diversos fabricantes do setor para aprimorar a eficiência.

A Carrier, por exemplo, implementou soluções de monitoramento remoto e manutenção preditiva utilizando inteligência artificial (IA) em mais de 3.000 equipamentos conectados. Através de sua plataforma IoT baseada em nuvem, a empresa oferece ferramentas analíticas avançadas que permitem visualizar, aconselhar e otimizar o estado das máquinas, prolongando seu ciclo de vida.  “As previsões em tempo real mantêm os clientes da Carrier satisfeitos. Coletamos dados de nossos dispositivos e aplicamos algoritmos de machine learning para descobrir os padrões do cliente. Isso permite à empresa melhorar seus produtos, ajudar seus clientes diretamente, além de prever e solucionar problemas, antes que eles aconteçam. A migração para a nuvem proporcionou novas oportunidades, como a criação de casas conectadas e edifícios saudáveis, o que antes eram áreas inexploradas”, explica Adnan Haq, diretor executivo da Carrier Global.

A Revista TIME (EUA), publicou recentemente o caso de sucesso da empresa BrainBox AI, que implementou uma plataforma de IA em 14.000 edifícios em mais de 20 países, visando otimizar sistemas de HVAC em grandes edifícios comerciais. Utilizando dados extensivos, como níveis de umidade e taxas de ventilação, o sistema monitora continuamente essas informações, faz previsões e toma medidas proativas para melhorar a eficiência, como ajustar a temperatura interna. Essa abordagem tem o potencial de reduzir os custos de energia em até 25% e diminuir significativamente as emissões de gases de efeito estufa. Um exemplo é o Schreiber Center, um edifício de 10 andares no campus da Universidade Loyola, em Chicago (EUA). “A BrainBox AI implementou sua tecnologia de IA para HVAC, complementada por um algoritmo de Redução Automática de Emissões (AER). É aqui que o algoritmo AER entra em cena. Quando implantado, ele transforma o sistema de HVAC do edifício em uma bateria térmica que pode ser carregada com a energia renovável que, de outra forma, seria desperdiçada e descarregada mais tarde, quando as emissões da rede forem altas. Essa bateria é desbloqueada por um algoritmo orientado por IA tornando-a muito mais barata do que baterias elétricas (por exemplo, íons de lítio). Ela fornece uma solução elegante que transforma edifícios em um ativo para redes elétricas, ao mesmo tempo em que ajuda a acelerar o crescimento de energias renováveis”, revela Sam Ramadori, CEO da BrainBox AI.

Vulnerabilidades em ambientes remotos e estratégias de mitigação

A crescente conectividade dos sistemas de HVAC-R traz à tona preocupações com a segurança cibernética, especialmente em ambientes remotos. Vulnerabilidades como hacking, malware, phishing e ransomware podem comprometer a integridade e a disponibilidade dos sistemas, resultando em interrupções operacionais e perdas financeiras. Estratégias de mitigação incluem a implementação de firewalls robustos, atualizações regulares de software, autenticação multifatorial e conscientização contínua dos usuários.

Para mitigar esses riscos, é essencial implementar estratégias de segurança, incluindo:

– Segurança por design: Incorporar medidas de segurança desde a fase de projeto dos sistemas, garantindo que os dispositivos IoT e sistemas embarcados sejam resilientes a ameaças cibernéticas.

– Atualizações regulares de software: Manter todos os sistemas e dispositivos atualizados com os patches de segurança mais recentes para proteger contra vulnerabilidades conhecidas.

– Autenticação multifatorial: Implementar autenticação multifatorial para acesso aos sistemas, adicionando camadas extras de segurança além das senhas tradicionais.

– Monitoramento contínuo: Utilizar ferramentas de monitoramento para detectar atividades suspeitas em tempo real e responder rapidamente a possíveis incidentes de segurança.

– Treinamento de pessoal: Educar funcionários e operadores sobre as melhores práticas de segurança cibernética, incluindo a identificação de tentativas de phishing e a importância de senhas fortes.