Excelência em manutenção preditiva com o MongoDB Atlas

Priorização de máquina e análise de criticidade

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

Este estágio usa o RAG para determinar quais máquinas exigem manutenção preditiva. O sistema processa dois tipos de dados de entrada:

• Dados estruturados, como parâmetros de produção e frequência de quebra de máquinas.

• Dados não estruturados, como conhecimento organizacional armazenado em documentos PDF.

O fluxo de trabalho agrega e operacionaliza ambos os tipos de dados como incorporações vetoriais no MongoDB Atlas e, em seguida, usa o Vector Search para pesquisar semanticamente no banco de dados. Os resultados da pesquisa fornecem contexto relevante para um LLM, por meio do Amazon CloudRock ou do Cohere, que gera respostas para queries de priorização. Isso ajuda as equipes de manutenção a tomar decisões baseadas em dados sobre quais máquinas precisam de atenção primeiro.

Predição de falhas

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

Esse estágio processa dados do sensor da máquina em tempo real para predição de falhas por meio de seis estágios principais:

1. Coleta de dados: uma máquina priorizada captura métricas como tipo de produto, temperatura, velocidade e uso de ferramentas.

2. Processamento de fluxo: o sistema transforma os dados brutos do sensor.

3. Armazenamento de dados: Os dados são armazenados no MongoDB Atlas.

4. Detecção de alterações: os fluxos de alterações monitoram os dados em busca de alterações significativas.

5. Inferência de ML: um modelo modelado prenuncia possíveis falhas.

6. Saída dupla: os Atlas Charts visualizam os dados e os Change Streams habilitam notificações móveis.

Geração de plano de manutenção

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

Esse estágio automatiza a criação de ordens de trabalho de manutenção por meio da seguinte arquitetura:

1. Processamento de documentos: a solução divide os manuais da máquina e as ordens de trabalho antigas em chunks e os converte em vetores usando modelos de incorporação Cohere.

2. Armazenamento de vetores: a solução armazena incorporações no MongoDB Atlas.

3. Geração de ordem de serviço: um aplicativo especializado usa LLMs para gerar modelos de ordem de serviço, extrai informações de inventário e recursos por meio de um pipeline de agregação e cria planos de reparo detalhados.

Geração de orientação de manutenção

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

Este estágio usa o RAG para aprimorar as instruções do operador com a seguinte arquitetura:

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

2. Tradução: processa conteúdo que não esteja em inglês por meio de modelos de tradução.

3. Geração de instruções: usa LLMs para combinar notas de serviço convertidas com planos de reparo originais.

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