fbpx
Big Data para a Manufatura

Por John Klaess

À medida que a manufatura avança mais profundamente na era digital, há mais oportunidades do que nunca para transformar a produção de rotina em dados que fazem a diferença.

Isso ocorre principalmente devido à maturação do Big Data − um termo genérico para um conjunto de técnicas de armazenamento, organização e análise desenvolvidas para conjuntos massivos de dados.

Neste artigo, apresentaremos alguns dos principais conceitos de Big Data, bem como os casos de uso e aplicativos mais importantes para análise de Big Data na manufatura.

Definição de Big Data no contexto da manufatura

Big Data é definido como conjuntos de dados excepcionalmente grandes, potencialmente numerados em bilhões de linhas e parâmetros.

Estes dados podem ser estruturados ou não estruturados.

O grande volume e complexidade de grandes conjuntos de dados, bem como o número de ferramentas, técnicas e práticas recomendadas específicas para trabalhar com eles, levaram ao amadurecimento do campo da ciência de dados e da análise de Big Data dentro e ao redor da manufatura.

Conceitos de Big Data

Embora seja possível entender como o crescimento do Big Data revolucionará a análise de dados da manufatura sem entender como isto funciona “por baixo do capô”, por assim dizer, pois a familiaridade com alguns conceitos-chave pode ser um longo caminho.

Por um lado, é importante entender que a análise de Big Data não é apenas uma questão de software. Há uma quantidade enorme de hardware e infraestrutura necessária para oferecer suporte a inteligência artificial (IA), aprendizado de máquina e algoritmos de aprendizado profundo.

Em muitos casos, os dados de produção são armazenados em data lakes na nuvem e processados em clusters de GPU, em vez de com os tradicionais processadores com CPU. Tudo isso é um jargão para dizer que a quantidade de dados gerados pela fábrica moderna requer ferramentas de armazenamento e processamento atualizados para suportá-la.

Em termos de análise de dados, existem poucas maneiras fundamentais de resultados e processos por trás das técnicas mais sofisticadas.

Como separar correlação de causalidade e certeza

Especialmente na manufatura, entender as causas é absolutamente essencial para a obtenção de melhoria contínua.

Portanto, não deveria ser surpresa ser tão importante determinar se duas variáveis estão correlacionadas ou se deduzir quais são causais. Embora técnicas padrão como a regressão linear tenham sido usadas com grande efeito por décadas, os algoritmos de aprendizado de máquina tornam possível encontrar correlação e covariância em conjuntos de dados maiores e mais ruidosos.

Como isolar outliers e inliers

Ao trabalhar com um grande conjunto de dados, é essencial entender quais pontos de dados podem ser agrupados em uma tendência e quais são discrepantes.

Isso é importante não apenas porque dados melhores significam resultados mais limpos, mas também porque a detecção externa é importante para programas como manutenção preditiva, que depende da detecção de anomalias e da correlação com falhas de máquinas ou degradação de peças.

Com dados suficientes, as redes neurais e a análise de aprendizado de máquina podem ajudar a detectar, classificar e medir a importância dos pontos de dados.

Como criar classificações inovadoras

Um dos resultados mais empolgantes do aprendizado de máquina é a produção de estruturas inovadoras de classificação e hierarquias da organização, que poderiam facilmente iludir os esforços humanos. Geralmente chamados de "aprendizado não supervisionado" ou de "análise de clusters", esses algoritmos analisam e classificam as informações em um conjunto de dados, detectando padrões inerentes a ele. Para a manufatura, um aplicativo para algoritmos de classificação pode ser o de encontrar informações inovadoras sobre a eficiência das máquinas nos dados coletados como parte de um programa de monitoramento de máquinas.

Por fim, essas técnicas podem diferenciar sua capacidade de "treinar" em um determinado conjunto de dados para produzir mais resultados a cada nova entrada; o tamanho do conjunto de dados que eles podem acomodar; e na disponibilidade de seus recursos de classificação, previsão e projeção.

Está gostando desse post? Então, assine a nossa newsletter!

Casos de uso dos Big Data na manufatura

Manutenção preditiva

A maioria das empresas segue um cronograma de manutenção preventiva (MP). Com a MP, os supervisores agendam o tempo de inatividade em intervalos regulares (ou não tão regulares) para reparar ativos antes que um colapso inesperado leve a um tempo de inatividade caro e não planejado.

Qualidade preditiva

O conceito aqui é semelhante ao da manutenção preditiva. Existem dezenas de variáveis que contribuem para a obtenção de resultados de qualidade. Para as empresas que rastreiam essas variáveis, a análise de Big Data pode ajudar a determinar as causas principais e a identificar fatores que levam a não conformidades.

Detecção de anomalias

Seja um pequeno desvio das normas de qualidade de uma peça fresada ou na quantidade de calor gerada pela própria usina, a análise de Big Data possibilita separar o sinal do ruído. Algoritmos modernos tornam possível identificar anomalias com um alto grau de significância estatística.

Visão computadorizada

A visão computadorizada é uma ferramenta para analisar ações humanas dinâmicas em tempo real. Os avanços da IA e do aprendizado de máquina tornaram possível para os computadores observar, classificar e responder a eventos humanos à medida que eles se revelam.

Otimização do ciclo de vida das ferramentas

Existem poucos truques para prolongar a vida útil das ferramentas, tornando essa tarefa mais complicada. Isso ocorre porque há muitas variáveis que afetam o desgaste de uma ferramenta ao longo do tempo. A análise de Big Data possibilita isolar a causa raiz com maior certeza.

Gerência da cadeia de suprimentos

O tempo é tudo. O Big Data permite prever com maior certeza se um fornecedor irá ou não fazer entregas conforme o que foi acordado e otimizar a cadeia de suprimentos para reduzir os riscos.

Previsão da produção

Antecipar a demanda é fundamental para otimizar a produção. Os dados que você coletar sobre suas operações, negócios e fornecedores poderão ajudá-lo a se preparar melhor para o futuro.

Como melhorar o rendimento da produção

Existem inúmeros fatores que afetam o rendimento da produção. O Big Data pode ajudá-lo a encontrar padrões ocultos em seus processos, permitindo que você busque iniciativas de melhoria contínua com maior certeza.

A otimização da célula de trabalho

Como uma célula de trabalho é estruturada é fundamental para a eficiência. A IA pode encontrar padrões na interação homem e ambiente que permitem projetar os sistemas de fabricação com a maior eficiência possível.

Gerência do ciclo de vida dos produtos (PLM)

Em alguns ramos de atividade (indústria farmacêutica e biotecnológica), as indústrias que estão no mercado multiplicam todos os meses o valor da vida útil de um produto. A IA obtém informações de produtos anteriores e fatores críticos de mercado para ajudar a otimizar o valor que seus produtos criam no decorrer do tempo.

Conclusões: a década dos dados

As inovações aqui mostradas são apenas o fruto de uma pesquisa rápida. Existem inúmeras outras aplicações e casos de uso para Big Data na manufatura.

Todavia, uma coisa une todas elas. Você precisa de dados para realizá-las. Quanto mais cedo você começar a coletar dados sobre seus sistemas de operações de manufatura, mais cedo poderá aplicar as mais recentes inovações em ciência de dados.

Fonte: Tulip

TREINAMENTOS

Workshop Prático de Indústria 4.0 e IIOT

O workshop visa apresentar como os conceitos de Indústria 4.0 e IIOT podem ser aplicados na prática, por profissionais da indústria, sem necessidade de conhecimento ou experiência prévia em tecnologias de automação e informação. Os participantes poderão colocar em prática os conceitos criando seus próprios aplicativos para manufatura.

Deixe uma resposta

O seu endereço de e-mail não será publicado. Campos obrigatórios são marcados com *