DECISÃO ORIENTADA POR DADOS (DOD) EM UM CONTEXTO FERROVIÁRIO

Kleber Sathler Santos Departamento de Ciências e Tecnologia

Instituto Militar de Engenharia

Luiz Antônio Silveira Lopes Departamento de Ciências e Tecnologia

Instituto Militar de Engenharia

RESUMO

Este artigo identifica oportunidades e etapas de implantação da tomada de Decisão Orientada por Dados (DOD)

de manutenção e operação de forma integrada, em uma ferrovia brasileira e seus impactos. Neste contexto, são

apresentados conceitos de Indústria 4.0, Big Data, IoT – Internet Industrial, Data Science para extração,

possibilidades de tratamento e utilização intensiva de dados para tomada de decisão em uma operação ferroviária

e para implantação de um Centro de Inteligência Operacional (CIO).

Palavras Chave: Big Data. Analytics. Industria 4.0. IoT – Internet das Coisas. Internet Industrial. Data Science.

Ferrovia.

ABSTRACT

The purpose of this article is to present how we could identify implementation steps and opportunities by using

of decision making data (ODMD) of maintenance and operation activities as integrated subjects in a brazilian

railway, and its impacts. In this context, there will be presented 4.0 Industry concepts, Big Data, IoT – Internet of

Things, Data science, data treatment possibilities and extensive use of data to decision making in a railroad

operation, to implement an Operational Inteligence Center (OIC).

Keywords: Simulation. Big Data. Analytics. Industry 4.0. IoT - Internet of Things. Industrial Internet. Data

Science. Railroad.

1. INTRODUÇÃO

Os últimos anos testemunharam grandes investimentos em infraestrutura que têm melhorado a

capacidade de coletar dados nas empresas. Praticamente todos os segmentos das empresas estão

abertos para coleta de dados. Essa ampla disponibilidade de dados levou ao aumento do

interesse em métodos para extrair informações úteis e conhecimento a partir de dados.

Agora, com grandes quantidades de dados disponíveis, as empresas estão focadas em como

explorá-los para obter vantagem competitiva. Porém para esse conjunto de dados, seu volume

e variedade superam muito a capacidade de análise manual.

A aplicação de princípios de Data Science e de técnicas de mineração de dados se apresentam

como fundamento para a implantação do Pensamento Analítico de Dados, objetivando a tomada

de Decisão Orientada por dados (DOD).

Para analisar esse cenário foi necessário realizar estudos bibliográficos sobre Big Data,

Analytics, IoT – internet das coisas / internet industrial, Data Science, além da realização de

coleta de dados sobre processo da ferrovia em estudo, pesquisa de campo e em documentos

técnicos de equipamentos e sistemas ferroviários.

Neste contexto, este artigo trata de um panorama de tipos, distribuição e volume de dados,

impactos e desafios para utilização, bem como implantação de um processo decisório mais ágil

e assertivo objetivando maximizar os investimentos realizados e minimizar desperdícios.

A estrutura do presente artigo é compreendida pela revisão bibliográfica dos assuntos

relacionados a este estudo, levantamento e classificação de dados, indicação de oportunidades

de integração e relacionamento dos mesmos.

2. REVISÃO BIBLIOGRÁFICA

2.1. A Internet Industrial – A quarta revolução industrial

Segundo Davenport (2014), a essência da Internet industrial baseia-se em uma série de sensores

que trabalham em conjunto para coletar e analisar dados para fins específicos.

Durante a maior parte da história da humanidade, a produtividade aumentou em passos muitos

pequenos e os avanços nos padrões vigentes também foram extremamente lentos. A revolução

industrial foi iniciada aproximadamente 200 anos atrás com a introdução da produção

mecânica. A força muscular, tanto humana quanto animal, foi substituída pela força mecânica.

A segunda revolução industrial começou em 1870, quando a primeira correia transportadora foi

ativada em uma fábrica de processamento de carne em Cincinnati, Ohio, nos Estados unidos,

introduzindo a produção em massa com divisão de trabalho, com a ajuda da eletricidade.

A automação dos processos de produção começou em meados da década de 70, e agora o mundo

está entrando em uma nova era, com o surgimento da Internet industrial. Alguns referem-se a

ela como a quarta revolução industrial ou Indústria 4.0.

A Internet industrial refere-se à integração de máquinas com sensores e software em rede. Além

de envolver uma transformação abrangente do setor mundial, ela também afeta diversos

aspectos da vida diária, incluindo a forma como muitos de nós desempenhamos o nosso

trabalho. A Internet industrial trará mais velocidade e eficiência para uma série de setores, como

os de aviação, transporte ferroviário, energia petróleo e gás, e saúde. Ela também nutre a

promessa de um crescimento econômico mais sólido, mais trabalhos de melhor qualidade e

melhoria na qualidade de vida, independentemente da região.

A essência da Internet industrial é composta de três elementos:

2.1.1. Máquinas inteligentes

No formato de novas maneiras de conectar máquinas, instalações, frotas e redes por meio de

sensores, controles e aplicativos de software avançados.

2.1.2. Análises avançadas

Que utilizam, por exemplo, o poder da analítica, algoritmos preditivos, a automação e o

conhecimento aprofundado de domínios na ciência de materiais e na engenharia elétrica para

compreender a operação das máquinas e de sistemas maiores.

2.1.3. Pessoas no trabalho

Conectar pessoas em qualquer lugar (instalações industriais, escritórios, hospitais ou no

trânsito) e a qualquer momento, para promover projetos, operações e manutenção mais

inteligentes e gerar serviços com mais qualidade e mais segurança.

2.2. Ciência Analítica- Analytics

Segundo Kim et al. (2014), analítica significa o uso amplo de dados, de análise estatística e

quantitativa, de modelos exploratórios e preditivos e de gestão fatual para orientar decisões e

agregar valor.

A analítica pode ser classificada como descritiva, preditiva e prescritiva, de acordo com seus

métodos e propósitos. A analítica descritiva envolve coleta, organização, tabulação e

apresentação de dados, para a exposição das características, do que está sendo estudado. Esse

tipo de analítica, historicamente, tem sido denominada reporting ou elaboração de relatórios.

Trata-se de algo que pode ser útil, mas não explica os resultados ou as ocorrências nem indica

o pode acontecer no futuro.

A analítica preditiva vai além da mera descrição de características dos dados e das relações

entre variáveis (fatores que podem assumir uma faixa de valores diferentes); usa dados do

passado para prever o futuro. Primeiro identifica as associações entre as variáveis e depois prevê

a probabilidade do fenômeno com base nas relações identificadas. Embora as associações entre

variáveis sejam exploradas para propósitos preditivos, não se supõe nenhuma relação de causa

e efeito na analítica preditiva.

A analítica prescritiva, incluindo métodos de projeto experimental e otimização, se estende

ainda mais. Da mesma maneira como a receita de um médico, a analítica prescritiva sugere um

curso de ação. O projeto experimental tenta responder as perguntas sobre por que algo

aconteceu, por meio de experimentos. Para fazer a inferências casuais com base em pesquisas

de causa e efeito, os pesquisadores devem manipular uma ou mais variáveis independentes e

efetivamente controlar as outras variáveis exógenas. Se o grupo de testes – o que preenche a

condição experimental – apresenta desempenho substancialmente melhor que o do grupo de

controle – o tomador de decisão pode aplicar a condição em âmbito mais amplo.

A otimização, outra técnica prescritiva, tenta descobrir o nível ideal de determinada variável

em suas relações com outra, como por exemplo determinar o preço de um produto tendente a

oferecer a mais alta rentabilidade. Do mesmo modo, os métodos de otimização os níveis de

estoque em que menores seriam as probabilidades de faltas ou de sobras numa organização de

varejo.

A analítica pode ser classificada como qualitativa ou quantitativa, de acordo com os processos

adotados e do tipo de dados coletados e analisados. A análise qualitativa almeja promover a

compreensão profunda das razões e motivações subjacentes a um fenômeno. Em geral, coletam-

se dados não estruturados de um pequeno número de casos não representativos, que não são

analisados sob abordagem não estatística. A analítica qualitativa quase sempre oferece

ferramentas úteis para a pesquisa exploratória – a primeira fase do processo analítico. A

analítica quantitativa se presta à investigação empírica sistemática de um fenômeno, por meio

de técnicas estatísticas, matemáticas ou computacionais. Coletam-se e analisam-se dados

estruturados de um grande número de casos representativos.

Vejam as ferramentas de analítica que atendem a diferentes propósitos dos pesquisadores:

2.2.1. Estatísticas

Ciência da coleta, organização, analise, interpretação e apresentação de dados.

2.2.2. Previsão

Estimativa do valor de uma variável, de algum tempo futuro, com base em dados do passado.

2.2.3. Mineração de dados

Identificação automática ou semiautomática de padrões interessantes, até então desconhecidos,

em grande massa de dados, por meio do uso de algoritmos de computação e de técnicas

estatísticas. Já para Silva et al. (2016), a mineração de dados é definida em termos de esforços

para a descoberta de padrões em bases de dados. A partir dos padrões descobertos, têm-se

condições de geral conhecimento útil para um processo de tomada de decisão. Trata-se,

portanto, da aplicação de técnicas, implementadas por meio de algoritmos computacionais,

capazes de receber, como entrada, um conjunto de fatos ocorridos no mundo real e devolver,

como saída, um padrão de comportamento, o qual pode ser expresso, por exemplo, como uma

regra de associação, uma função de mapeamento ou a modelagem de um perfil.

2.2.4. Mineração de textos

Processo de extrair padrões e tendências de um texto, à semelhança da mineração de dados.

2.2.5. Otimização

Uso de tendências matemáticas na busca de soluções ótimas, observando determinados critérios

e satisfazendo a certas restrições.

2.2.6. Projeto experimental

Estudos de grupos de teste e de grupos de controle, com a atribuição aleatória de temas ou casos

para cada grupo, a fim de identificar relações de causa e efeito em determinado resultado.

A interligação de dispositivos, instalações, frotas e redes inteligentes com as pessoas no

trabalho e em trânsito abre novas possibilidades de otimização de processos e eleva o potencial

de crescimento da produtividade e eficiência.

2.3. Big Data

De acordo com Davenport (2014), big data é um termo genérico para dados que não podem ser

contidos nos repositórios usuais; refere-se a dados volumosos demais para caber em um único

servidor; não estruturados demais para se adequar a um banco de dados organizados em linhas

e colunas; ou fluidos demais para serem armazenados em Data Warehouse estático. Embora o

termo enfatize o tamanho, o aspecto mais complicado do Big Data, na verdade, envolve sua

fata de estrutura.

Segundo estudo realizado por Gantz (2012), a um gigantesco volume de dados, o mundo usou

mais de 2,8 zetabytes de dados (o que equivale a 2,8 trilhões de gigabytes, um volume

inconcebível) em 2012. Porém o estudo mencionado anteriormente sugere que apenas 0,5% dos

2,8 zetabytes de dados são analisados de alguma forma. Nem todos os dados serão proveitosos

– o estudo estima que apenas cerca de 25% tem algum valor potencial-, mas qualquer que seja

a proporção certa, mal estamos arranhando a superfície das possibilidades.

Porém Provost (2016) destaca que as empresas estão na era do Big Data 1.0. As empresas estão

se ocupando com a criação de capacidades para processar grandes dados, em grande parte como

apoio às suas atuais operações – por exemplo, para melhorar a eficiência. Devemos esperar que

uma fase Big Data 2.0 siga o Big Data 1.0. Depois que as empresas forem capazes de processar

dados em massa de forma flexível, elas devem começar a perguntar: “O que posso fazer agora

que não podia fazer antes, ou fazer melhor do que antes?”.

2.4. Data Science

Segundo Provost (2016), Data Science envolve princípio, processos e técnicas para

compreender fenômenos por meio de análise (automatizada) de dados. O objetivo primordial

de Data Science, é o aprimoramento da tomada de decisão, uma vez que isso geralmente é de

interesse direto para os negócios.

Figura 1: Data science no contexto dos diversos processos relacionados a dados na organização

Fonte: Provost (2016)

Como podemos observar na figura 1, a tomada de decisão orientada por dados (DOD) refere-

se à prática de basear as decisões na análise de dados em vez de apenas na intuição. A DOD

não é uma prática do tipo “tudo ou nada”, e diversas empresas a adotam em maior ou menor

grau.

2.4. Cientista de Dados – Equipe de Data Science

Provost (2016) coloca como que um dos principais fundamentos de Data Science: os dados, e

a capacidade de extrair conhecimento útil a partir deles, devem ser considerados importantes

ativos estratégicos. A melhor equipe de Data Science pode gerar pouco valor sem os dados

adequados; muitas vezes, os dados corretos não podem melhorar substancialmente as decisões

sem o talento adequado em Data Science. Existem vários tipos de cientistas de dados, conforme

Davenport (2014). O cientista de dados verticais que têm profundo conhecimento de algum

campo específico. Eles podem ser cientistas da computação extremamente familiarizados com

a complexidade computacional de todos os algoritmos de ordenação. Ou um estatístico que sabe

tudo sobre valores próprios, decomposição em valores singulares e sua estabilidade numérica e

convergência assintótica de estimadores de máxima pseudoverossimilhança. Ou um engenheiro

de software de software com anos de experiência escrevendo códigos Python aplicado ao

desenvolvimento de API´s e tecnologias de rastreamento da web. Ou uma pessoa de banco de

dados com grande domínio de modelagem de dados, Data Warehousing, Graph Databases e

expertise em Hadoop e NoSQL. Ou ainda, um técnico de modelagem preditiva especializado

em redes Bayesianas, SAS e SVM. Já os cientistas de dados horizontais são uma mistura de

analista de negócio, estatístico, cientista da computação e especialista em domínio específico.

Eles combinam visão com conhecimento técnico. Podemos observar pelo tom, a preferência

pela variedade horizontal. O conhecimento amplo e pragmático desse último tipo de cientista

de dados é melhor que o profundo conhecimento vertical. Como encontrar um profissional com

todas essas habilidades difícil, a empresa deve focar em desenvolver uma equipe

multidisciplinar para essa tarefa.

Por sua vez, Davenport (2014) destaca alguns aspectos que ele julga como fundamentais para

um cientista de dado, conforme figura 2 abaixo.

Tabela 1: Atributos dos Cientistas de Dados

Fonte: Davenport (2014)

Atributos Habilidades

Hacker • Capacidade de codificar

• Domínio de arquiteturas tecnológicas de big data

Cientista

• Tomada de decisões baseada em evidências

• Improvisação

• Impaciência e inclinação à ação

Conselheiro • Grandes habilidades de comunicação e relacionamento

• Capacidade de elaborar decisões e entender os processos decisórios

Analista

quantitativo

• Análise estatística

• Visual Analytics

• Aprendizado de máquina

• Análise de dados não estruturados, como texto, vídeo ou imagens

Expert em negócios • Compreensão de como o negócio funciona e lucra

• Boa noção de onde aplicar o Analytics e o Big Data

3. MATERIAIS E MÉTODOS

Para se estabelecer um panorama foi realizado uma pesquisa documental para identificar os

principais sistemas, equipamentos e sensores responsáveis pela geração de volumes de dados

relevantes.

3.1. Sistemas de medição dinâmica de parâmetros preditivos de vagões - Wayside

O sistema Waysides compreende diversos equipamentos de monitoramento de ativos

ferroviários, especificamente material rodante de Vagões. Na ferrovia pesquisada, atualmente

existem sistemas instalados no supersite Waysides, além dos sensores Hot-Box instalados em

09 posições ao longo da ferrovia.

3.1.1. Supersite Waysides

No supersite Waysides, conforme figura 2, estão instalados os seguintes sensores: Detector

Acústico, Detector de Performance de Truque, Medidor de Perfil de Roda, Detector de Impacto

de Roda, Analisador das Sapatas de Freio – Video Image.

Figura 2: Site de medição dinâmica de parametros de vagões - Wayside

Estes sensores realizam a aquisição e processamento dos dados localmente, os quais são

posteriormente transferidos, via fibra-ótica para o Banco de Dados central do sistema,

localizado em um centro de controle. A arquitetura atual da rede Waysides é mostrada na figura

abaixo:

Figura 3: Arquitetura da rede Waysides

Fonte: Procedimento de Manutenção da Rede Waysides

Este conjunto de sensores geram diariamente um volume de 3,17 milhões de registros por dia.

3.2. Sistemas de medição dinâmica veicular – Vagão Instrumentado

O sistema de medição dinâmica veicular é realizado através de vagões instrumentados.

Figura 4: Componentes vagão instrumentado

O vagão instrumentado possui diversos sensores de aquisição de dados para monitoramento de

parâmetros de via permanente.

3.2.1. Células de Cargas

Tem a função de monitorar a atividade dinâmica de longo comprimento de onda do vagão (4

por vagão) e fornecem uma indicação da interação entre vagão e a via permanente.

Figura 5: Célula de carga

3.2.2. Acelerômetros

Montados verticalmente nas laterais dos truques e medem forças de impacto na interface roda-

trilho. Respostas com altas acelerações geralmente são associadas a defeitos como: solda

rebaixada, juntas isoladas, juntas metálicas, fadiga por contato roda/trilho, e AMV’s – Aparelho

de Mudança de Via.

3.2.2. Sensor Tri-axial

Um acelerômetro tri-axial instalado na viga central do vagão, responsável por coletar

acelerações laterais.

3.2.3. GPS e Antenas

É utilizado para monitorar localização e velocidade do trem na via.

3.2.4. Haste instrumentada

A haste rígida instrumentada fornece detalhes de forças internas no trem e informações sobre

estratégia de condução, práticas atuais de condução e configurações das locomotivas podem ser

obtidas através desses dados.

Figura 5: Haste Instrumentada

3.2.4. Sensor de encanamento geral

Fornece informação da variação da pressão no encanamento geral para assim se obter um

melhor entendimento sobre a dinâmica longitudinal dos vagões.

Este conjunto de sensores de cada vagão instrumentados geram diariamente um volume de

11,23 milhões de registros por dia.

3.3. Sistemas de medição de via permanente – Carro Controle

O carro controle é veículo ferroviário equipado com sensores, câmeras, laser e computadores

dedicados. É ferramenta muito utilizada pelas equipes de manutenção e engenharia da Via

Permanente para avaliar a qualidade dos parâmetros de geometria da ferrovia.

Figura 6: Carro controle

Este conjunto de sensores disponíveis no carro controle geram um volume de 102 milhões de

registros por viagem de inspeção de toda ferrovia.

Figura 7: Medições e Registros - Carro controle

3.4. Sistemas Avaliador de Viagens Ferroviárias - AVF

O AVF é uma ferramenta desenvolvida para realizar a análise automática da viagem dos

maquinistas baseada em regras parametrizáveis a fim de garantir a uniformidade da avaliação

da condução dos maquinistas. A ferramenta monitora mais de 15 variáveis em

aproximadamente 20 comportamentos configurados. Durante um mês são analisadas em torno

de 13.000 viagens de maquinistas. Este conjunto de comportamentos pode gerar mais de 3,9

milhões de registros por mês.

Figura 8: Visualizador de Eventos - AVF

3.5. Sistemas Gestão Diretriz Básicas - GDB

O GDB é uma ferramenta utilizada para avaliar todos os operadores e mantenedores de

determinada ferrovia para verificar o atendimento e comprimento dos regulamentos e normas

operacionais. Durante um mês são verificados 500.000 itens em 12.500 diagnósticos ou teste

de eficiência em aproximadamente 8000 funcionários.

3.5. Volume de Dados

Na tabela 2 podemos verificar o volume de dados estruturados gerados per alguns sistemas em

um determinado período. Podemos imaginar que esse volume de dados está além da capacidade

humana para gerar análises e respostas rápidas.

Tabela 2: Volume de Dados Gerados

Sistema Volume de dados por período

Sistemas de medição dinâmica de parâmetros

preditivos de vagões - Wayside • 3,17 Milhões de registros por dia

Sistemas de medição dinâmica veicular –

Vagão Instrumentado • 11,23 Milhões de registros por dia de

viagem

Sistemas de medição de via permanente – Carro

Controle • 102 Milhões de registros por inspeção

ferrovia

Sistemas Avaliador de Viagens Ferroviárias -

AVF • 3,9 Milhões de registros por mês (13.000

viagens)

Sistema de medição de temperatura de

rolamentos – Hot Box • 12,14 Milhões de registros por mês

Sistemas Gestão Diretriz Básicas - GDB • 0,5 Milhões de registros por mês

Os dados apresentados na tabela 2 não representam a totalidade das informações geradas. Além

dos sistemas citados, outros sistemas de gestão da manutenção e operação ferroviária geram

uma elevada quantidade de dados transacionais: registros de manutenção de equipamentos e

componentes (1,4 milhões de objetos de manutenção), monitoramento preditivo e detectivo de

equipamentos e componentes, ocorrências e incidentes operacionais, históricos operacionais de

produção e controle, registros de treinamento, inspeções de segurança, etc.

4. RESULTADOS E DISCUSSÕES

A ferrovia em questão está desenvolvendo no seu plano estratégico de tecnologia, programas

voltados a melhorar aspectos relacionados ao monitoramento de ativos e operação otimizada.

Em um panorama geral dos dados gerados, a sua maioria estão restritos as áreas operacionais

onde os mesmos são coletados e registrados. Logo, a universalização das informações para

diferentes públicos (operação, manutenção e engenharia) se apresenta como uma oportunidade.

O arquivamento e back-up de dados de forma sistêmica em ambientes de tecnologia estão sendo

tratados e alguns sistemas estão sendo migrados para outros ambientes. É possível observar a

utilização de técnicas de análises de dados internos desses sistemas de forma isolada (small

data). O relacionamento desses dados internos com dados externos a aquele sistema, ficando

na maioria das vezes, restritas as variáveis locais ou internas. Observa-se também o

desenvolvimento e aplicação de painéis de gestão - dashboard com dados estruturados com

ferramentas de Business Intelligence – BI. Além da extração, tratamento e análise de dados

estruturados, a captura e tratamento de dados não estruturados (vídeo e imagem) e adoção de

técnicas de Visual Analytics possibilitarão a realização de inspeções autônomas dos ativos em

pontos de carga e descarga de vagões, intercâmbios entre ferrovias e pontos de manutenção. A

utilização de técnicas de aprendizado de máquina - Machine Learning e soluções de Advanced

Analytics, serão necessárias para implantação de um centro integrado de monitoramento e

análise (centro de inteligência operacional) pode alavancar melhorar os resultados e a

velocidade das análises realizadas e favorecer um processo de decisão orientada por dados

(DOD).

5. CONSIDERAÇÕES FINAIS

A geração e aquisição de dados vem se tornando cada vez mais intensa nas ferrovias, com o

sensoriamento de ativos / equipamentos e expansão das coberturas das redes de dados. A tabela

3 apresenta uma visão de curto, médio e longo prazo de etapas sugeridas para a implementação

de um processo mais intensivo de dados em um processo de DOD em uma ferrovia.

Tabela 3: Visão de Futuro – Implantação DOD

Curto Prazo Médio Prazo Longo Prazo

Integração de dados

existentes

• Ativos Fixos

• Ativos Móveis

• Transacionais

Centro de Inteligência

Local

• Cluster Ativos Fixos

• Cluster Ativos

Móveis

• Dados Transacionais

Centro de Inteligência

Ferroviário

Sustentabilidade das soluções

desenvolvidas

• Monitoramento on-

line

• Operações semi-

otimizadas

• Inspeções Autônomas

• Operações otimizadas

REFERÊNCIAS BIBLIOGRÁFICAS

DAVENPORT, Thomas H. (2014) Big data no trabalho: derrubando mitos e descobrindo oportunidades. Elsevier

Editora, Rio de Janeiro, RJ.

DAVENPORT, Thomas H. e KIM, Jinho (2014) Dados demais!: como desenvolver habilidades analíticas para

resolver problemas complexos, reduzir riscos e decidir melhor. Elsevier Editora, Rio de Janeiro, RJ.

DIAS, Renata Rampim de Freitas (2016) Internet das coisas sem mistérios; Uma nova inteligência para os

negócios. Netpress Books, São Paulo, SP.

FREIRE, Pedro (2012) Doctec 12043 Manual técnico Waysides. Disponível em: Vale - Portal GEDFT <

http://engopr/DocTec/Doc>.

PROVOST, Foster e FAWCETT, Tom (2016) Data Science para negócios: o que você precisa saber sobre

mineração de dados e pensamento analítico de dados. Alta Books, Rio de Janeiro, RJ.

SANTOS, Kleber Sathler (2014) Doctec 18022 Plano diretor de engenharia ferroviária. Disponível em: Vale -

Portal GEDFT < http://engopr/DocTec/Doc>.

SILVA, Leandro Augusto da e PERES, Sarajane Marques e BOSCARIOLI, Clodis (2016) Introdução à mineração

de dados: com aplicações em R. Elsevier Editora, Rio de Janeiro, RJ.