Excelência em manutenção preditiva com o MongoDB Atlas

Visão Geral da Solução

O MongoDB Atlas fornece tecnologia para uma solução de manutenção preditiva e de ponta a ponta que auxilia fabricantes a prevenir falhas de equipamentos e otimizar as operações de manutenção através de quatro etapas estratégicas:

1. Priorização de máquinas e análise de criticidade

   • Aborda a pergunta "qual máquina devo priorizar para manutenção preditiva e por quê?"

   • Utiliza aprendizado de máquina e análise baseada em RAG para priorizar equipamentos essenciais.

   • Utiliza dados históricos e conhecimento especializado para tomar decisões informadas.

2. Previsão de falha

   • Responde à pergunta crítica: qual é a principal causa da falha iminente?

   • Processa dados do sensor em tempo real por meio do Atlas Stream Processing.

   • Permite a detecção antecipada de possíveis falhas antes que ocorram.

3. Geração de planos de manutenção

   • Foco em "como devo agendar o procedimento de reparo?"

   • Gera planos detalhados de reparo automaticamente usando grandes modelos de linguagem.

   • Combina manuais de manutenção, dados de inventário e informações sobre recursos.

4. Geração de guias de manutenção

   • Endereços: como obtenho uma orientação melhor sobre como consertar máquinas?

   • Fornece guias de manutenção aprimorados ao integrar observações de serviço e instruções de reparo.

   • Envia instruções diretamente para os dispositivos móveis dos técnicos por meio do Change Streams.

Figura 1. Quatro etapas do fluxo de trabalho de manutenção preditiva

Ao aproveitar as funcionalidades da plataforma de dados unificada do MongoDB, como pesquisa vetorial e análises em tempo real, as organizações podem alcançar melhorias operacionais significativas: reduzindo o tempo de inatividade em 15-20%, aumentando a produtividade do trabalho em 5-20% e reduzindo os custos de manutenção em 30-60%.

Arquiteturas de referência

Arquitetura de priorização de máquinas

Esta arquitetura utiliza o RAG (geração aumentada de recuperação) para determinar quais máquinas exigem manutenção preditiva. O sistema processa dois tipos de dados de entrada:

• Dados estruturados: parâmetros de produção e frequência de falhas da máquina.

• Dados não estruturados: conhecimento institucional em documentos.

O fluxo de trabalho agrega e operacionaliza ambos os tipos de dados como representações vetoriais no MongoDB Atlas. Utilizando pesquisa vetorial, realiza pesquisa semântica para fornecer contexto relevante a um LLM (através do Amazon Bedrock ou do Cohere, neste caso), o que gera respostas contextuais para queries de priorização. Isso auxilia as equipes de manutenção a tomar decisões orientadas por dados acerca de quais máquinas necessitam de atenção prioritária.

Figura 2. Diagrama do sistema de AI para recomendações de priorização de máquinas

Arquitetura de processamento de dados do sensor

Esta arquitetura em tempo real processa dados do sensor de máquinas em seis etapas principais:

1. Coleta de dados: uma fresadora priorizada com DAQ (aquisição de dados) captura métricas críticas (tipo de produto, temperatura, velocidade, torque, desgaste da ferramenta).

2. Processamento de fluxo: transformação de dados brutos do sensor em tempo real.

3. Armazenamento de dados: armazenamento centralizado no MongoDB Atlas com funcionalidade de visualização única.

4. Detecção de mudanças: monitoramento de mudanças significativas nos dados.

5. Inferência de aprendizado de máquina: executar modelos treinados para prever falhas potenciais.

6. Saída dupla: visualização por meio do Atlas Charts e notificações em dispositivos móveis através do Change Streams.

Figura 3. Monitoramento de sensores em tempo real com o MongoDB Atlas

Arquitetura de geração de ordem de serviço

Esta arquitetura automatiza a criação de ordens de trabalho de manutenção por meio de:

1. Processamento de documentos: manuais de máquinas e ordens de serviço antigas são divididos em partes e convertidos em vetores com modelos de incorporação da AWS/Cohere.

2. Armazenamento de vetor: incorporações armazenadas no MongoDB Atlas.

3. Geração de ordens de serviço: Um aplicativo especializado que:

   • Usa LLMs para gerar modelos apropriados de ordem de serviço.

   • Coleta informações de estoque e recursos por meio de agregação.

   • Cria planos de reparo detalhados com base na documentação da máquina.

Figura 4. Diagrama do sistema de geração de ordens de serviço com IA

Arquitetura de orientação de manutenção

Essa arquitetura aprimora as instruções do operador por meio de uma abordagem RAG:

1. Processamento de notas de serviço: converte notas de serviço em PDF multilíngues para texto.

2. Tradução: processa conteúdo que não está em inglês (neste caso, em espanhol) através de modelos de tradução.

3. Geração de instruções: combina notas de serviço traduzidas com planos de reparo originais usando LLMs.

4. Entrega: fornece instruções atualizadas de manutenção para técnicos por meio de um aplicativo móvel.

Figura 5. Fluxo de trabalho RAG melhora as instruções de reparo para os técnicos

Cada arquitetura integra as funcionalidades principais do MongoDB Atlas e utiliza serviços externos, como o Amazon Bedrock ou o Cohere, para a funcionalidade de AI.

Construindo a Solução

Para saber mais sobre implementação e obter amostras de código, arquivos de configuração e tutoriais em vídeo, acesse o repositório do GitHub. Este repositório oferece um modelo pronto para produção que permite implementar manutenção preditiva utilizando o vasto conjunto de recursos do MongoDB Atlas.

Principais Aprendizados

• O MongoDB Atlas oferece uma plataforma unificada para manutenção preditiva, combinando dados do sensor estruturados e documentos de manutenção não estruturados, o que permite tanto o monitoramento em tempo real quanto a análise com inteligência artificial por meio de uma arquitetura de visualização única.

• A solução adota uma abordagem de quatro etapas (priorização, previsão, geração de plano, entrega de orientação) que integra vários recursos do MongoDB, incluindo Atlas Stream Processing para dados em tempo real, pesquisa vetorial para análise semântica e Change Streams para alertas móveis.

• As organizações podem alcançar melhorias operacionais significativas por meio desta abordagem: redução de 15-20% no tempo de inatividade, aumento de 5-20% na produtividade do trabalho e redução de 30-60% nos custos de manutenção.

• A implementação combina múltiplas tecnologias de AI (RAG, LLMs, modelos de aprendizado de máquina) com as funcionalidades da plataforma de dados de desenvolvedor MongoDB, para criar um fluxo de trabalho de manutenção automatizado — desde a priorização de máquinas até a entrega de orientação de reparo móvel.

Tecnologias e produtos utilizados

Autores

• Dr. Humza Akhtar, MongoDB

• Rami Pinto, MongoDB

• Sebastian Rojas Arbulu, MongoDB