Com os recentes avanços de IoT e sensoriamento de máquinas, veículos e data centers utilizando-se dessa tecnologia têm se tornado cada vez mais comuns. O acompanhamento de variáveis de equipamentos e processos de operação já é feito há muito tempo e é exaustivamente acompanhado por equipes de manutenção e operação. Porém, muitas vezes esses dados são de difícil acesso e interpretabilidade, dificultando a tomada de decisão quando se tem como objetivo a redução de custos com recursos energéticos. Sensores IoT são de fácil implementação e possuem a vantagem de fácil disponibilização dos dados em um database local ou na nuvem, que podem ser acessados por algoritmos externos.

O custo com recursos energéticos, em grande parte de processos industriais ou logísticos, muitas vezes compreende da maioria dos gastos de uma operação. Além disso, quanto maior a complexidade do processo, maior a dificuldade na tomada de decisão dos responsáveis no que diz respeito a medidas que visam reduzir esses custos. No entanto, com o sensoriamento dos equipamentos envolvidos e a disponibilização dos dados desses sensores em um ambiente local ou na nuvem, torna-se possível, a partir de algoritmos de Machine Learning, o desenvolvimento de modelos que auxiliem na tomada de decisão dos usuários para tornar o processo mais eficiente.

Este procedimento tem como objetivo considerar todas as possíveis variáveis relacionadas ao consumo de recursos energéticos durante uma operação e entregar, de forma objetiva, sugestões de como o processo poderia ser mais eficiente. Essa disponibilização depende do processo em questão, isto é, caso as decisões sejam tomadas por operários e/ou usuários do processo, a implementação de dashboards pode ser de grande auxílio. Os dashboards podem conter não só quais são as medidas encontradas pelo modelo para o aumento de eficiência, como também indicadores que visem explicar quais dos equipamentos e/ou fatores externos estão mais relacionados com o gasto de recursos durante a operação.

Porém, para a efetivação desse procedimento, é necessária uma base histórica suficientemente grande, tal que os modelos possam ser ajustados de forma robusta. Visto isso, o procedimento pode então ser implementado tanto em streaming (tempo real) como em batch (uma vez a cada período estabelecido) de acordo, é claro, com as necessidades do usuário. Além disso, a sua utilização pode ser tanto automatizada, através de IoTs, como disponibilizada em dashboards para os usuários que tomam as decisões.

No fim desse processo, têm-se então uma operação controlada e melhor compreendida pelos usuários, possibilitando uma economia efetiva de recursos energéticos, além de possíveis prevenções de manutenção dos equipamentos envolvidos na operação.

Eficiência Energética na Prática

Há três grandes cenários no qual a solução de Eficiência Energética pode trazer economias para os negócios:

1. Dashboards para auxílio direto na tomada de decisão:

Nesse caso, as variáveis na tomada de decisão são muito bem especificadas. Por exemplo, em uma operação logística de barcos, pode-se tomar como variável de ação a rotação dos motores propulsores do mesmo. Desta maneira, através de um Dashboard, é possível disponibilizar explicitamente qual a decisão ótima encontrada pelo modelo. Havendo aderência do usuário – neste caso o capitão do navio – é possível acompanhar os gastos com combustível antes e após a implementação do modelo, de forma a estabelecer a métrica de redução de custos.

2. Dashboards para auxílio indireto na tomada de decisão

Nesse caso, a tomada de decisão não se dá a partir de uma variável específica, mas sim, através do entendimento do processo para avaliação de uma tomada de decisão adequada. Como por exemplo, em uma operação de trens de carga, é possível ajustar um modelo com todos os fatores relevantes ao processo e, a partir de um diagnóstico de modelos, disponibilizar através de um Dashboard os fatores que mais influenciam a viagem em questão. Desta maneira, o usuário pode então conciliar as informações disponibilizadas pelo dashboard para a determinação de uma ação eficaz na redução do consumo de combustível. Assim, essa solução possibilita não só a redução dos custos com recursos energéticos, como um maior entendimento sobre o processo em questão.

3. Tomada de decisão automatizada através de IoTs

Nesse último caso, a implementação da solução pode ser feita de forma completamente automatizada. Tomando-se por exemplo data centers, onde o custo com ar condicionado chega em até 40% da renda destinada à operação, é possível a implementação de um modelo que encontre a melhor configuração dos equipamentos em tempo real. Desta maneira, o modelo constantemente supervisiona a temperatura ao longo do data center e é capaz de se ajustar conforme o necessário, visando economizar os custos com resfriamento. É comum também a disponibilização de um dashboard de acompanhamento do processo automatizado, para a averiguação dos usuários.

Casos de Uso

Concluímos que a solução de Eficiência Energética possibilita aos negócios uma grande autonomia, entendimento dos processos, sustentabilidade e redução de custos. Abaixo, disponibilizamos dois casos de uso de como as empresas podem aproveitar as soluções de sensores e Machine Learning para gerar valor.

Empresa de soluções logísticas integradas

Solução: Dashboards para auxílio direto na tomada de decisão

Problema: A empresa de logística é responsável pelo carregamento de toneladas de grãos e minérios por diversas hidrovias da América Latina. Os empurradores são as embarcações que fazem esses carregamentos, e os mesmos são sensorizados para a aquisição de diversas informações da navegação, desde a situação atual dos geradores de energia, dos propulsores entre outros equipamentos, à distância percorrida, quantidade de combustível utilizado e condições da água e vento. Durante a navegação, o capitão é responsável por diversas tomadas de decisão que impactam diretamente no consumo de combustível do empurrador. Devido à complexa dinâmica da navegação, a falta de visibilidade das condições gerais da embarcação resulta em um gasto desnecessário de combustível.

Benefícios: Dispondo-se dos dados dos sensores, é possível desenvolver um assistente de navegação que sintetize as informações e faça predições de quais decisões resultariam numa eficiência energética maior, assim como heurísticas de desligamento de geradores que, não só auxiliam na otimização do uso de combustível, mas também previnem manutenções de equipamentos.

Empresa multinacional de serviços online e software

Solução: Tomada de decisão automatizada através de IoTs

Problema: Empresas que trabalham com dados, como a deste caso de uso, necessitam de diversos data centers – locais responsáveis pela contenção de milhares de servidores onde dados são armazenados. Esses servidores ficam ligados sem pausa e demandam muita refrigeração para continuarem em perfeito estado de funcionamento. No entanto, o uso desses equipamentos, e consequentemente seu aquecimento, é variado devido à demanda de utilização. Assim, muitas vezes, para garantir que os equipamentos não falhem, a refrigeração é feita além do necessário. Uma vez que o core de empresas é o armazenamento e processamento de dados, grande parte de seus gastos são destinados aos data centers, em especial, à refrigeração.

Benefícios: Com a implementação de um sistema automático de refrigeração, que trabalha dentro das margens seguras para os equipamentos, ao mesmo tempo que é capaz de refrigerar apenas o necessário para o funcionamento dos data centers, a empresa conseguiu alcançar uma economia de 40% em comparação aos gastos prévios com refrigeração.


Comentários: 0

Ainda não há comentários neste post. Seja você o primeiro a comentar!

Deixar um comentário