All Posts By

Crave Industry

Crave Industry
In Artigos

O impacto dos dados de máquina para os negócios

O que os trouxe até aqui, não levará até onde quer chegar. Este ditado pode ser a chave para entender a diferença entre a adoção de uma tecnologia e a escala. Executivos têm visto que integrar novas tecnologias como Inteligência Artificial e Internet das Coisas adicionam valor, mas não conseguem mensurar marcos e estimativas de ROI. A seguir, revisaremos como os executivos podem alavancar os dados da máquina para a inteligência de negócios para alcançar aquele próximo passo.

 

Problemas com escalabilidade de projetos piloto

Um dos motores atuais da manufatura é usar tecnologia para aumentar a produção e reduzir custos. Muitos projetos iniciais focam na conectividade de dados de máquina. Enquanto um projeto de dados pode aparentar promissor, ele pode não atingir o ROI esperado ou ser escalado com resultados semelhantes. Isso ocorre com frequência porque os objetivos dos programas piloto são voltadas para aquele único projeto. 

Executivos precisam entender que projetos de dados devem atender objetivos locais, mas também é necessário considerar como o sucesso local afetará outras partes da cadeia produtiva. Apesar de entenderem como os dados da máquina se encaixam no cenário maior, a nova tecnologia pode não produzir uma mudança no nível de negócios até que alguma porcentagem de adoção ou valor específico seja alcançado. Abaixo, descrevemos o que você deve-se considerar ao lançar um programa ou projeto piloto.

 

Por onde começar?

Conheça seu objetivo e por que ele é importante. Considere múltiplos projetos (apenas alguns e não dezenas) que poderiam mostrar o melhor impacto localmente, e, ao mesmo tempo, entenda o impacto em níveis mais elevados do negócio se este piloto for bem sucedido ou falhar. 

Documente seu fluxo de trabalho, pesquisas, e outros indicadores chave de performance para identificar áreas que seriam de fácil integração dados de máquina e de rápido ganho. Saiba quanto tempo levará para alcançar dados suficientes para resultados precisos para tomar decisões fundamentadas. Decisões embasadas incluem  dois conjuntos de resultados: o tempo necessário para determinar se o piloto foi um sucesso e por quanto tempo ou a extensão de adoção necessária para usar os dados para funções superiores de negócios.

 

Mas sempre fazemos assim, por mais de 20 anos!

Talvez esta declaração seja a mais prejudicial em uma indústria dinâmica e em rápida evolução. Entretanto, há alguma verdade nela. Não comece pensando em destruir equipamentos antigos ou conectar tudo com dispositivos novos e de última geração. O equipamento preexistente ainda pode ser conectado!

Equipamentos antigos e redes ainda podem gerar valor. Atualizá-los poderia ser um gasto de dinheiro com retornos decrescentes, enquanto esse dinheiro poderia ir para uma área que proporcionaria um melhor ROI. Fique atento às novas tecnologias que trabalham com equipamentos antigos para ampliar o que você já possui.

Cabe aos executivos providenciar liderança, mas deixando os gerentes fazerem o que eles acham que é o melhor. Quando se trata de inovação, apoie de cima para baixo, mas construa de baixo para cima. Embora um executivo possa definir o ritmo e a direção, os gerentes podem compreender melhor a arquitetura e o fluxo de trabalho para tomar decisões caso a caso. 

 

Dados de máquina para dados de negócios

Uma tendência na adoção de tecnologia é encontrar soluções que sejam fáceis de se determinar um ROI ou benefício tangível, como a manutenção preditiva. Os dados da máquina podem ser deixados no chão de fábrica se os executivos não conseguirem ver como eles se relacionam com as metas de negócios. Tomar decisões rápidas e embasadas no campo dos negócios pode incluir dados do que acontece fora da empresa (vendas, cadeia de suprimentos e o que os concorrentes estão fazendo). Mas os programas piloto oferecem uma chance de começar a ver como os dados da máquina podem se relacionar com…

  • A flexibilidade ou responsividade da empresa;
  • Receita ou possibilidades de criar novos fluxos de receita;
  • A experiência do cliente;
  • Campanhas de marketing;

 

Equívocos e soluções

Um erro comum é que dados de máquina precisam ser processados para serem usados no nível dos negócios. Empresas investiram dinheiro em softwares avançados em uma tentativa de filtrar dados para análise de negócios. Todavia, soluções customizadas podem ser caras, demandam um bom tempo para serem desenvolvidas e não são flexíveis ou facilmente adaptáveis quando instaladas. 

Soluções de padronizadas ou prontas para uso podem ser rápidas de integrar, mas também limitantes. Encontrar soluções mais híbridas que ofereçam um software modular e customizável é algo valioso quando se está começando. Procure provedores de tecnologia que oferecem software como um serviço (SaaS), que providencie dashboards dinâmicos  e microsserviços capazes de mitigar os dados de máquina do Edge e da nuvem. Soluções híbridas tornam possível começar rapidamente e ajustar com recursos personalizados conforme necessário.

SaaS com dados de máquina em tempo real, alertas e notificações são ótimos para manter o chão de fábrica em movimento enquanto recursos adicionais como Indicadores Chave de Desempenho (KPI) e Planejamento de Recursos Empresariais (ERP) ajudam a manter um olho no panorama geral, impulsionar a cadeia de suprimentos inventário e ajudar os executivos a tomar decisões de negócios embasadas. 

No geral, os executivos devem apoiar as inovações e direcionar a cultura da empresa para o uso de análises de dados de máquina. Além disso, dados são o futuro da manufatura. Isso pode ser feito por meio de incentivo a programas piloto, treinamento e bônus. Criar um sistema de comunicação onde os trabalhadores possam compartilhar ideias ou problemas pode ajudar a indicar qual dos programas os motivaria melhor. Em alguns casos, empresas introduziram competições, como hackathons, para envolver e educar os funcionários. Apenas lembre-se: o que os trouxe até aqui, não levará até onde quer chegar. Não se apegue às soluções de ontem ao enfrentar os objetivos de amanhã.

Já esta convencido dos potenciais escondidos em seus dados?

Solicite uma Demo
Crave Industry
In Artigos

Análise de dados avançada na produção de papel e celulose

papel e celulose

O cenário atual dos dados de fábricas de papel e celulose poderia ser descrito exatamente como um paradoxo : empresas os possuem em quantidades abundantes, mas eles ainda proporcionam pouquíssimos insights de negócio.  

Os dados chegam em diversos tipos, formatos, são coletados em várias frequências e armazenados em sistemas diferentes que não conversam uns com os outros. Com um armazenamento tão limitado, centenas de sensores, atuadores e setpoints não podem ser transformados em um grande retrato do que está acontecendo realmente na linha de produção… muito menos oferecer uma visibilidade das principais variáveis de processo que impactam as operações.

Portanto, as análises podem ser aplicadas apenas para um minúsculo caso prático centrado em apenas uma ou um pequeno grupo de máquinas e processos e as respostas, consequentemente, ficam limitadas nesse universo.

A Crave Industry cobre esse gap disfuncional através do pipeline de dados que visa processar vários tipos e formatos de dados juntando-os e contextualizando-os para então criar o denominado gêmeo digital (digital twin) unificado de todo o processo de fabricação. Finalmente e pela primeira vez no Brasil, análises industriais ganham poder de abordar e resolver largamente as questões e problemas críticos de negócio.

Vamos dar uma olhada em alguns exemplos dentro das 2 principais áreas da produção de papel e celulose. 

 Processo de celulose

Para alcançar objetivos sustentáveis e rentáveis, o uso intenso de energia precisa ser reduzido em todas as fases e processos de celulose. A Crave Industry molda digitalmente toda a planta de celulose, providenciando pertinentes insights de correções entre o uso de energia e a mistura de matéria-prima, apontando as variáveis de processo mais relevantes.  Análises sofisticadas são então aplicadas para gerar recomendações de ajustes de configuração para minimizar o uso de energia. Análises similares podem ser aplicadas para otimizar o consumo de água além de outros insumos.

A celulose que não obedece aos padrões de qualidade pode causar problemas tanto para as máquinas de papel quanto para a qualidade final do produto. Criando um gêmeo digital dos processos de produção de celulose e da produção de papel a Crave Industry revela correlações entre a qualidade do papel e as variáveis do processo de celulose e então sugere soluções para entregar uma celulose de qualidade consistente.

Fabricação de papel

A qualidade uniforme da celulose ajuda bastante a tornar a otimização da máquina de papel  uma tarefa mais gerenciável. Mesmo assim, todo o processo de produção de papel enfrenta um número constante e bem conhecido de obstáculos na tentativa de maximizar o OEE. Por exemplo, mudança de rolos é tipicamente um entrave na performance e qualidade, assim como troca de turno é geralmente morosa e resulta em excessivo refugo de produção. Através das análises conduzidas por inteligência artificial de séries temporais, inputs ambientais e dados substanciais, a Crave Industry entrega uma solução na forma de parametrizações recomendadas para a mudança de grade (produto) em um período de tempo mais curto com os mais altos níveis de qualidade possíveis.

Frequentemente, linhas de produção também sofrem com quebras de folha recorrentes, geralmente provenientes da falta de insights dentre as numerosas variáveis possivelmente potenciais. A maioria das quebras acabam sendo classificadas como sendo de causas desconhecidas. Dados de parada são examinados manualmente depois da busca dos fatores associados. 

A Crave Industry oferece mais do que uma eficiente abordagem. Desenhando detalhadamente os inputs dos modelos de produção e suas complexas correlações, os algoritmos da Crave Industry avaliam os dados das recentes quebras de folhas do grade de papel selecionado e ranqueia parâmetros por ordem de variação antes da ruptura. A causa pode então ser determinada e ações preventivas podem evitar a recorrência da quebra. Tudo isso é feito sem suposições, sem operações manuais de dados, e sem a necessidade de uma árdua e demorada análise de especialistas.

Outro desafio na produção de papel é a falta de capacidade da operação de responder eficientemente às causas raiz de problemas de qualidade. A Crave Industry supre essa limitação muito bem correlacionando índices de qualidade com significativas variáveis de máquina e informações sobre rolos. A plataforma Crave entrega dados relevantes em uma visão precisa, matriz, em um contexto escolhido pelo usuário. Como resultado, poucos minutos de uma análise visual descomplicada revela tanto ou mais do que o trabalho manual realizado por especialistas. 

Já esta convencido dos potenciais escondidos em seus dados?

Solicite uma Demo
Crave Industry
In Artigos

4 Tecnologias para Otimização de Processos Industriais

otimização processos industriais

4 tecnologias fundamentais para alcançar a otimização de processos industriais

A chave para otimização de processos industriais é abraçar alguma das avançadas tecnologias de indústria 4.0 disponíveis atualmente. Com mais e mais avanços em tecnologia, implementar um plano de otimização de processo viável não é tão complexo como costumava ser.

Ao entender qual tecnologia é melhor para o seu negócio você estará um passo mais perto de otimizar seu processo. Vamos aprofundar um pouco mais no significado disso em 4 principais pilares para otimização do processo industrial. 

 

Potencialize os dados em tempo real adotando tecnologias de indústria 4.0

A implementação da automação e o uso de dados na manufatura é o que chamamos de “indústria 4.0” com casos práticos como manutenção preditiva e qualidade preditiva. A Indústria 4.0 inclui as seguintes tecnologias para a otimização de processos críticos:

  • Conectividade e captura de dados em tempo real: Utilizar de tecnologias de IIoT para, de forma segura, conectar as máquinas das linhas de produção e capturar os dados de um repositório central de séries temporais, seja local ou em nuvem.
  • Processo baseado em machine learning: Usar processos baseados em inteligência artificial para obter visibilidade integral do processo em detalhes,   descobrir por completo e trazer à tona problemas que precisam ser solucionados. O uso de algoritmos de machine learning para processar e analisar dados em tempo real, pode não só identifica ineficiências, mas permite que estas sejam previstas e muitas vezes evitadas.
  • Visualização do digital twin: um digital twin é uma representação virtual que corresponde às características  e métricas operacionais de uma linha de produção física através da captura de dados da linha de produção. O digital twin da linha de produção permite que você identifique rapidamente anomalias de performance e suas respectivas causas raízes, fornecendo insights práticos e apresentando-os no contexto da linha de produção. Tendo essa habilidade não há necessidade de cientistas de dados, o sistema é fácil de usar e acessível para o time de produção. 
  • Descubra causas raiz de processos ineficientes: Como mencionado acima, implementando processos baseados em inteligência artificial, engenheiros podem identificar ineficiências como a formação de produtos secundários indesejados, instabilidades de processos, impurezas e mais. Isso pode ser feito com análises automatizadas de causas raízes.

Antes de entender como isto te ajudará a alcançar a otimização de processos, vamos dar uma olhada na diferença entre análise de causa raiz e análise de causa raiz automatizada.

Primeiramente, o método tradicional leva tempo – em média um dia – e levantamento de dados especializados de vários times. Com o enorme volume de dados capturados de milhares de fontes a cada minuto, é quase impossível encontrar correlações entre as variáveis que levam o processo à ineficiência manualmente. Além disso, quanto mais tempo a análise demora, mais tempo a ineficiência do processo ocorre nas linhas de produção.

Por esta razão as equipes operacionais precisam de um caminho mais rápido e acurado para encontrar o quanto antes os eventos que levam às perdas de produção. 

A análise de causa raiz automatizada enriquece dados de ativos históricos e, em tempo real, aplica algoritmos de machine learning para automaticamente traçar uma cadeia de eventos potenciais que levam à perdas de produção. 

Fazendo isso, o time de investigação consegue insights rápidos e precisos ainda nos sintomas precoces de ineficiências de processo, tornando fácil para eles apontar e mitigar causas raízes. 

Estime quando a ineficiência do processo irá ocorrer

Ter a habilidade de identificar por que que as ineficiências acontecem na sua linha de produção é impagável. Mas se você der esse único passo adiante você também poderá antecipar quando elas acontecerão. 

Aplicando análise preditiva industrial você tem a habilidade de traduzir dados em insights preditivos.

Algoritmos de machine learning podem então ser implementados para identificar eventos relevantes e prever seus resultados.

Por exemplo, prever quando um defeito indesejado será formado ou quando a instabilidade de um processo específico acontecerá. Fazendo isso os times operacionais são habilitados a melhorar o rendimento e prevenir falhas de qualidade.

Pratique melhoria contínua de processos para evitar ineficiências

Uma vez que você já entendeu porque as ineficiências de processo ocorrem e pode saber antes que elas aconteçam, é fundamental operacionalizar o conhecimento para otimizar o processo de fabricação com essas recursos em mãos.

Disponibilizar e compartilhar o conhecimento através de dashboards personalizados para cada perfil de colaborador de sua unidade fabril é indispensável. Assim é necessário que tenhamos em mãos uma ferramenta que permita a construção de dashboards personalizados de maneira rápida e intuitiva.

Acessando informações e análises o time de processo pode:

  • Tomar medidas de acordo com as recomendações de análise;
  • Ajustar apenas as configurações de processo que irá eliminar a ineficiência;
  • Reduzir os riscos de desajuste de configurações de produção;

Para resumir, a chegada da era da inteligência artificial industrial e machine learning especificamente introduziu a oportunidade de aproveitar os dados da linha de produção para obter insights acionáveis ​​e impulsionar a melhoria contínua nos processos de fabricação. E a visualização do digital twin faz com que agora seja possível para os times de engenheiros de processo usar estes insights independentemente de cientistas de dados e tomar providências em um tempo adequado. 

Já esta convencido dos potenciais escondidos em seus dados?

Solicite uma Demo