All Posts By

Isa Carla Souza

4 análises de dados pilares na luta pela eficiência

A análise de dados se tornou uma grande parte das operações de manufatura. Por décadas as plantas geraram e coletaram dados, mas tecnologias modernas com análises avançadas, aprendizado de máquina (ML) e outros algoritmos de inteligência artificial (IA) estão transformando a forma como usamos esses dados a novos níveis. Você deve estar se perguntando, o que essas tecnologias agregam na prática para minha planta?

A inteligência obtida a partir dos dados permite a melhoria contínua de processos e produtos, ajuda a incorporar qualidade aos processos e alimenta algoritmos que podem antecipar eventos antes que eles aconteçam. Um único sistema, como a Crave Platform, oferece uma análise avançada dedicada a agregação de valor para plantas industriais. 

A análise avançada abrange análises descritivas, diagnósticas, preditivas e prescritivas.

Isso significa que podemos entender o que aconteceu (descritivo), porque aconteceu (diagnóstico), o que acontecerá (preditivo) e quais ações devem ser tomadas (prescritivo). Armado com esses quatro “pilares” da informação, etapas podem ser tomadas para melhorar muito a eficiência da planta, evitar erros de processamento, reduzir o desperdício e retrabalho e melhorar a qualidade.

A análise pode ser projetada para fazer praticamente qualquer coisa em uma operação de manufatura. Eles podem ser usados para identificar padrões, correlacionar causa e efeito e modelar processos complexos. Com dados suficientes, os algoritmos de aprendizado podem ser usados para aproximar qualquer função no chão de fábrica. Os modernos sistemas de execução de fabricação (MES) coletam, correlacionam, contextualizam e analisam dados em toda a cadeia de suprimentos, porém, representam uma única fonte de verdade e não operam em ambientes remotos em tempo real. Já os poderosos recursos analíticos desses novos sistemas significam que eles podem analisar os dados rapidamente para encontrar novas maneiras de aumentar a eficiência no processo de produção. Quanto mais rápido o significado dos dados é compreendido, mais ágil se torna o processo – e cada segundo resgatado pode economizar dinheiro no resultado financeiro. 

Explorando os tipos de análises de dados

A análise descritiva é geralmente o estágio preliminar da análise. Ele agrega e resume os dados para dar uma ideia do que aconteceu durante o processo de fabricação. Ele usa dados históricos para fazer comparações e compreender as mudanças que ocorreram. A saída dessa análise pode ser apresentada em relatórios e painéis para fornecer uma imagem clara das tendências e anomalias.

A análise de diagnóstico pega as informações agregadas pela análise descritiva e analisa por que as alterações ocorreram. Em um exemplo de análise de causa raiz, ele usa algoritmos analíticos avançados para procurar correlações e fornecer uma visão mais profunda sobre por que algo está mudando. A análise de diagnóstico pega diferentes conjuntos de dados históricos e procura tendências ou anomalias para determinar relacionamentos e, portanto, melhor compreensão da causa.

A análise preditiva oferece oportunidades interessantes para aumentar a produtividade. O exemplo mais óbvio e amplamente usado é a manutenção preditiva, em que os dados coletados dos sensores de monitoramento das condições da máquina por um longo período de tempo são combinados com a atividade de manutenção anterior. Isso permite que o sistema reconheça marcadores em desempenho em tempo real para determinar quando a manutenção será necessária, em vez de simplesmente seguir um cronograma de manutenção definido. Desta forma, a manutenção só será realizada quando for necessária, às atividades de manutenção desnecessárias são removidas e os programas de produção podem ser ajustados aos programas de manutenção para maximizar a produtividade geral do chão de fábrica.

A análise preditiva abre muitos cenários de modelagem preditiva. Isso dá aos fabricantes a oportunidade de agir para mitigar eventos que afetarão a eficiência da produção. Na cadeia de suprimentos mais ampla, esses modelos preditivos podem ajudar a melhorar o gerenciamento de estoque e logística para tornar a operação geral mais eficiente. Eles podem ser usados ​​para melhorar o rendimento. Correlacionando e analisando dados, os engenheiros de produção podem determinar se o uso de uma máquina ou parâmetro específico tem um efeito positivo ou negativo no rendimento ou desempenho. Desta forma, fluxos de trabalho e processos podem ser ajustados para maior otimização e melhores resultados de produção.

A análise prescritiva é o último de nossos quatro pilares analíticos. Tendo determinado o que aconteceu, por que aconteceu e o que provavelmente acontecerá; a análise prescritiva trabalha para encontrar o melhor curso de ação para otimizar os processos de manufatura. Leva grandes volumes de dados da fábrica inteligente, o que levaria muitas horas, dias ou até semanas para avaliar manualmente, e apresenta as melhores escolhas táticas. Usando ML e IA, a análise prescritiva pode se tornar mais inteligente com o tempo e tem o potencial de identificar novas regras ou procedimentos a serem seguidos. 

Resumo

Os dados estão no centro de uma fábrica inteligente e, conforme os volumes de dados aumentam, eles podem ser usados para alimentar algoritmos de aprendizagem e preditivos para aumentar os níveis de eficiência e automação em todas as operações de chão de fábrica. Com as entradas de dados corretas, algoritmos analíticos podem ser escritos para localizar informações que podem ajudar no desempenho do processo, qualidade do produto e estratégia geral de negócios.

O MES moderno fornece um único repositório para dados e uma maneira de analisar rapidamente e apresentar os resultados de uma forma familiar. Já os novos sistemas, como a Crave Platform, incorporam tecnologia de IA e são capazes de todos os tipos de análises avançadas para fornecer imagens mais claras do que aconteceu, por que aconteceu, o que acontecerá e o que deve ser feito. 

Já esta convencido dos potenciais escondidos em seus dados?

Solicite uma Demo

 

Controle Estatístico de Processo 4.0

CEP ou Controle Estatístico de Processo é uma das mais populares metodologias de melhoria e de controle de processos. Ele foi introduzido como conceito por Walter Shewhart em 1920 e então foi popularizado pelos teóricos da Gestão da Qualidade Total (Total Quality Management – TQM) como o melhor caminho para apurar se um processo está sob controle e com desempenho previsível o suficiente.

A partir da Gestão da Qualidade Total, outras práticas como remodelamento e Six-Sigma se tornaram populares e embora eles divirjam em seus princípios básicos, eles ainda continuaram a prescrever o gerenciamento com base em fatos essenciais e melhorias baseadas em evidências sobre o que está errado. Esses conceitos geralmente variam no grau e método de melhoria, oscilando de básico a drástico, mas em todos esses conceitos, registrar, analisar e melhorar as métricas de processo são igualmente importantes.

Então hoje nós vamos abordar questões sobre o que é Controle Estatístico de Processo e se é realmente importante da indústria moderna, bem como se ele performa melhor como uma solução separada ou ele deveria ser fornecido como parte de uma solução maior como uma plataforma de dados e inteligência artificial.

Importância do Controle Estatístico de Processo para indústria

Desde que Shewart construiu o primeiro gráfico de controle, o Controle Estatístico de Processo tem sido uma parte inseparável da Qualidade na indústria. Ele tem sido feito manualmente na maior parte das últimas 5 décadas. O Controle Estatístico de Processo é baseado na crença de que o processo pode ser medido e controlado; ele estabelece ênfase na análise estatística das métricas de processo para melhor entendimento da performance. 

De outra forma, o CEP na indústria visa eliminar as suposições do controle de qualidade, pois é uma metodologia científica baseada em dados, que se orienta a partir da análise destes dados para determinar a qualidade e respectivas questões relevantes. A metodologia enfatiza o controle de qualidade das métricas de processos obtidas em tempo real do próprio chão de fábrica.

Os dados obtidos em tempo real são geralmente exibidos em um gráfico/tabela com limites de controle pré determinados. Se os dados se comportam dentro dos limites indicados isso mostra que o processo está se comportando como esperado e que qualquer variação que for experimentada dentro desses limites de controle podem ser atribuídos como “Causas Comuns”, que ocorrem devido à própria natureza do processo. 

No entanto, se os dados plotados estiverem fora destes limites de controle, isso indica que uma “Causa Atribuível” está em jogo; essas causas são imprevisíveis e geralmente necessitam uma ação corretiva para que sejam eliminadas. A razão principal por trás do exercício do gráfico de controle é diferenciar entre esses dois tipos de causas. Isso previne que causas comuns virem causas atribuíveis no futuro e ajuda na detecção de causas atribuíveis e nas sua eliminação. 

A clara diferenciação entre essas causas torna-se importante na medida em que ela permite melhorias de qualidade enquanto mantém a economia do esforço em mente, já que dedicar tempo e dinheiro tentando remover todas as causas de variação em um processo pode e será economicamente impossível. O Controle Estatístico de Processo atravessou um longo caminho: passou de uma teoria voltada para a análise de métricas de processo para ser um facilitador de mudança positiva e melhoria contínua. É somente através de uma poderosa solução de controle estatístico de processo que o conhecimento pode transcender de um estágio de “saber como” para “saber o porquê”.

O conceito básico subjacente ao Controle Estatístico de Processo que o faz ser tão importante é a forma com que os dados são obtidos diretamente dos processos e relevantes para a produção são usados para determinar se o processo e o produto estão ou não dentro das especificações. Devido a esta natureza baseada em dados, ele também se torna um veículo de melhoria, pois permite que a gestão avalie as variações no processo, e depois entendam o grau de severidade destas e também possibilita que passos concretos sejam dados rumo à melhoria e à mudança. 

Uma solução de Controle Estatístico de Processo é requerida para todo processo industrial?

A resposta é não. Se o processo é basicamente manual ou semi automatizado, envolve um fluxo simplificado de material e mão de obra e se toda peça produzida é checada manualmente em caso de anomalias, uma solução de controle estatístico de processos pode não ser recomendável. O motivo pelo qual não recomenda-se uma solução de CEP para processos como estes é também bem simples. Primeiro, em processos manuais ou semi automatizados, os dados são geralmente registrados manualmente e como há uma falta de equipamentos automatizados, a aquisição de dados através do equipamento está fora de questão. Um exercício de controle estatístico ainda pode ser feito para esses processos, mas permanecerá muito reativo, na melhor das hipóteses.

Segundo e mais importante, uma solução de Controle Estatístico de Processo não deveria ser usada como um sistema autônomo para melhorar o processo, mas ele deveria, ao invés disso, trabalhar paralelamente com outras soluções empresariais para obter melhorias, no verdadeiro sentido da palavra. A maioria das operações das indústrias modernas estão quase completamente automatizadas. Elas estão melhor preparadas para uma solução CEP e são, especialmente, onde os processos envolvem fluxos complexos, matéria prima cara, mão de obra especializada, volumosa produção e priorizam fortemente o trinômio qualidade/conformidade/melhoria. Ter uma solução de CEP nestes ambientes permite que os operadores do processo reajam de maneira mais proativa, controlem melhor a qualidade e otimizem a produção para que cada lote e cada item respectivo tenham qualidade aceitável.

Soluções modernas de Controle Estatístico de Processo fornecem representação gráfica de quase todas as métricas relevantes que estão por trás dos cálculos convencionais de Cp e Cpk. Elas também incluem todos os tipos de gráficos/tabelas desde simples cartas de controle a diagramas de fluxo, de gráficos de Pareto a diagramas de fluxo, de gráficos de boxplot a histogramas. Além da capacidade de retratar dados, é a inteligência inerente a essas soluções de CEP que leva o prêmio. Os dados são automaticamente coletados (a partir dos equipamentos), agrupados e agregados (bateladas) e analisados (dentro da aplicação de Controle Específico de Processo).

Tudo que o usuário tem que fazer é decidir qual tipo de informação é necessária, isto é, o que deve ser comparado com  o quê e até qual momento, et voilà a informação está lá. Para um (a) Gerente de Planta, uma boa solução de Controle Estatístico de Processo economiza o seu valioso tempo de ver vastos arquivos dados e em seguida realizar uma análise para determinar o estado do processo. Sem mencionar que a disponibilidade de dados em tempo real na forma analítica e gráfica, permite uma reação mais rápida, aumentando assim a produtividade e eficiência, levando a uma maior lucratividade e, claro, melhor qualidade. Qualquer pessoa com conhecimento básico de métricas de processo e de solução de CEP pode usá-lo para entender o atual estado do processo, economizando das organizações muito tempo e dinheiro em termos de treinamento de empregados, enquanto permite que eles desviem recursos para setores mais necessitados, melhorando sua competência principal: a produção. 

Ganhos da soluções de Controle Estatístico de Processo

Modernas aplicações de plataforma de dados industriais são ideais viabilizadores de uma solução de Controle Estatístico de Processo. Essas aplicações englobam todo o processo de produção, ao mesmo tempo em que colabora constantemente com outras soluções corporativas, como ERP ou MES. Uma solução de Controle Estatístico de Processo por si só também pode ser benéfica, mas o alcance da melhoria que ela traz torna-se limitado. Quando um CEP é hospedado em uma plataforma, os dados relativos aos defeitos da matéria-prima podem ser visualizados diretamente pelo fornecedor e os relatórios de controle de qualidade podem ser acessados ​​diretamente pela alta administração, ou até mesmo pelo cliente!

Na prática industrial tradicional, os problemas registrados hoje geralmente chegam ao supervisor amanhã, ao gerente no dia seguinte e no momento em que um fornecedor é informado, é provável que o material já tenha sido entregue ao cliente. Até pior, às vezes estes problemas ficam completamente perdidos na trilha de papéis, o que aumenta as chances de uma complicação maior. Da mesma forma para fornecedores de máquinas, um problema relacionado ao desempenho de uma máquina em particular pode ser relatado diretamente ao departamento de manutenção se o CEP residir na plataforma de dados, ou melhor ainda, diretamente ao fabricante da máquina.

É difícil traduzir em um número exato ou percentual sobre a melhoria que um Controle Estatístico de Processo e a plataforma de dados integrados podem gerar, pois a melhoria real dependerá do próprio processo e da capacidade das soluções. Entretanto, uma coisa pode ser dita com certeza é que com uma plataforma de dados moderna baseado na web, conectado a outras soluções corporativas e tendo um CEP embutido, o processo e a qualidade do produto irão melhorar mais rápido, perdas e defeitos irão reduzir, conformidade de qualidade e satisfação do cliente serão incomparáveis, os fornecedores de equipamentos/matérias-primas fornecerão melhores serviços e a lucratividade geral aumentará.

Uma aplicação de Controle Estatístico de Processo deveria ser uma parte inseparável de qualquer plataforma de dados industriais, pois é isso que torna o aplicativo “inteligente”. Para fabricantes que buscam se tornar mais produtivos, mais ágeis e mais colaborativos, ter um Controle Estatístico de Processo autônomo ou uma plataforma sem Controle Estatístico de Processo é apenas metade do trabalho realizado.

 

Já esta convencido dos potenciais escondidos em seus dados?

Solicite uma Demo

Como ferramentas de dados industriais podem transformar seu time?

Há alguns anos eu estava trabalhando na sala de controle de um grande fabricante de papel de celulose ajudando a implementar um novo sistema de automação com ferramentas de dados industriais. Nós estávamos observando o processo de produção rodando quando eles tiveram uma parada inesperada em uma máquina crítica da produção. Enquanto muitos funcionários apressaram para resolver o problema, eu notei a supervisora de turno copiando algumas informações em um pequeno bloco de notas. Em outras palavras, ela estava desempenhando análise de dados e melhoria contínua de forma básica e manual.

Relembrando essas e outras interações deste tipo, eu percebi que esta cena retrata um padrão que se repete em basicamente todos os segmentos industriais. Naquela ocasião, a supervisora de turno estava aprimorando e transformando suas habilidades profissionais criando um mini banco de dados e modelos mentais para analisar correlações entre leituras de parâmetros de processo e falhas de máquina. Essa capacidade não está na descrição de trabalho dos supervisores de turno, mas os melhores naturalmente gravitam em torno da resolução de problemas. Naquele momento eu percebi que dando a ela melhores ferramentas de dados e tornando-os acessíveis iria alavancar a sua curiosidade já existente e fazer daquilo uma arma poderosa.  

A transformação da força de trabalho com ferramentas de dados industriais

Com toda a jornada de transformação digital na indústria há benefícios esperados e inesperados. Na maioria das vezes os benefícios são projetados em termos de KPIs. Esses deveriam levar a uma melhor produtividade, disponibilidade, qualidade e melhorar o EBITDA.

Passei os últimos 3 anos implementando a plataforma da Crave a nível industrial e venho visto a jornada através de uma perspectiva diferente: como formas de trabalhar e resolver problemas são transformadas quando nós democratizamos dados industriais. Fazer essas mudanças muda o jogo e facilita para os supervisores de turno, como aquela que conheci a resolver problemas, testar hipóteses e impulsionar melhoria contínua. Por sua vez, isso pode até adicionar resultados reais e benefícios na produtividade, disponibilidade, qualidade e sustentabilidade, que não são planejados, mas incrivelmente valioso.

Por ter assistido muitas plantas e times adotarem abordagens baseadas em dados para otimizar processos de produção, eu notei padrões emergentes sobre como as suas abordagens de trabalho mudaram assim que eles se tornaram mais digitais e democratizaram os dados de manufatura. Especificamente, times que alcançaram benefícios financeiros e resultados mensuráveis da transformação digital industrial frequentemente exibem 2 mudanças significativas em sua abordagem de trabalho:

  • Assim que os dados se tornam mais acessíveis, mais membros do time começam a tomar decisões baseadas em dados em tempo real.
  • Quando a massa de dados de engenharia é automatizada, análise de dados úteis acontecem com mais frequência e cada vez mais próximo do tempo real.

Mais membros do time começam a tomar decisões baseadas em dados, em tempo real

Indo mais a fundo na história da supervisora da planta de papel e celulose, eu quis saber o porquê de ela ter feito aquelas anotações e como a tecnologia poderia ajudar. A supervisora de turno mostrou uma contagem contínua da gramatura que ela estava mantendo no exato momento em que a máquina falhou. Ela tinha a hipótese de que paradas neste particular estavam correlacionadas com a gramatura do produto. O motivo pelo qual a supervisora quis os dados fez sentido, o que me pareceu estranho foi a necessidade de processar a informação manualmente. Por que fazer isso enquanto ela estava literalmente rodeada por telas exibindo dados de um conjunto de máquinas medidos com robustos e acurados sensores? A informação que ela queria estava disponível digitalmente. Então por que escrevê-la?

Uma vez levantada a questão, a resposta era óbvia. Conseguir acesso a dados de produção em um formato entendível requer bastante trabalho. Na planta dela os dados históricos de gramatura eram capturados em um sistema separado dos dados de inatividade. Para correlacionar a gramatura com os eventos de parada, ela teria que alinhar os registros de parada com as séries temporais de gramatura em uma planilha. Além do mais, ela não dominava a linguagem SQL, então ela teria que pedir para outro colega puxar os dados pra ela. 

A partir desta perspectiva realmente parece mais fácil anotar os valores a cada vez que a máquina para. O problema é que ela estava olhando apenas os dados dos turnos que ela trabalhava, quando ela estava lá para ver a máquina parar. O que ela realmente queria eram os dados de comparação da gramatura e do tempo de inatividade em uma interface web fácil de navegar. Um acesso fácil a estes dados permitiria que ela rapidamente respondesse a pergunta; há uma tendência nos meus dados de gramatura antes dos eventos de parada de máquina? Melhor ainda, ela poderia fazer essa correlação com dados de anos de todos os turnos para entender se suas observações são discrepantes ou se representam um padrão verdadeiro. Ela poderia filtrar esses inputs de correlação a partir de um tipo de produto particular ou fornecedor de material. Ela poderia fazer tudo isso sem ter escrever uma única linha de código ou realizar qualquer cálculo manual. 

Anos mais tarde, a mesma fábrica de papel e celulose adotou a plataforma da Crave Industry. Assim que a supervisora se tornou uma usuária fiel da plataforma, eu fui vendo a sua forma de trabalhar mudar. Quando ela surgiu com uma hipótese baseada em suas observações, ela testou ali mesmo na sala de controle, sem pedir ajuda para puxar relatórios, sem a manipulação de planilhas tediosas para alinhar os conjuntos de dados e sem códigos SQL. A única limitação que ela podia testar era se os dados eram rastreados e coletados.

Esta é uma tendência sutil, mas uma poderosa transformação da força de trabalho, que vi em todas as instalações passando por uma transformação digital bem-sucedida: Mais funções dentro de uma organização de fábrica passam a usar testes de hipóteses baseados em dados. Essa mudança faz toda a organização ficar mais inteligente, mais capaz e mais resiliente. Também transforma o trabalho de ambiciosos supervisores de turno e outros trabalhadores curiosos de primeira linha, fazendo de suas funções mais interessantes e gratificantes.

Análises de alto valor acontecem com mais frequência e cada vez mais próxima do tempo real 

A partir do momento em que os dados passam a ser não só mais acessíveis, como também contextualizados em tempo real, os funcionários que conduzem a análise passam a gastar tempo fazendo trabalho de valor agregado para melhorar as operações. Em comparação com a nossa supervisora de turno, os engenheiros de processo tendem a ter mais habilidades em extrair e combinar dados. Ainda assim, o desafio na aquisição de um conjunto de dados construído para análise é demorado e ineficiente. Democratização dos dados e ferramentas de análise como a Crave Platform disponibiliza, torna muito mais fácil olhar para as relações escondidas entre dados de diferentes fontes e reduz a necessidade de dispor tempo em engenharia de dados. Por exemplo, boas plataformas de democratização de dados podem mapear automaticamente um conjunto de dados de gramatura com leituras de temperatura específicas feitas em intervalos discretos para que sejam fáceis de comparar e correlacionar. Isso não vale apenas para indústria de papel e celulose ou automotivo, mas também para o setor químico e farmacêutico.

Assim como dados de produção são transmitidos em tempo real e automaticamente tratados e contextualizados, o trabalho de misturar várias fontes também é manipulado automaticamente. Isto permite que engenheiros de processo passem menos tempo confrontando os dados e analisando-os. Isto, por conseguinte, conduz a novos comportamentos de diversas formas. O volume de perguntas que um engenheiro de processos pode fazer aos seus dados aumenta. Engenheiros de processo podem passar muito mais tempo buscando por respostas do que confrontando ou organizando dados. Suas rotinas se tornam um trabalho mais investigativo e menos pesado – além de mais criativo e analítico. Talvez ainda mais importante, qualquer análise que eles constroem pode ser facilmente atualizada e apresentada em tempo real, sem trabalho adicional do engenheiro. Aquela análise pode ser compartilhada e aprimorada por turno de supervisores, engenheiros de processos ou até mesmo cientistas de dados.

Conclusão: Transformação digital gera empregados melhores e mais felizes

Na minha experiência esses tipos de avanços são precursores para melhorias significativas nos resultados financeiros de uma organização. Enquanto esse é, no final das contas, o benefício mais importante da transformação digital, ele não é o único. A transformação autodirigida da força de trabalho pode ser tão importante quanto. 

À medida que mais colaboradores têm acesso aos dados e gastam mais tempo usando deles para impulsionar a melhoria, suas funções geram mais valor para o empregador e para o indivíduo. 

Posso dizer sem hesitação que esta é a minha parte favorita na realização da transformação digital: observar as pessoas aproveitarem a oportunidade para expandir seu escopo usual de trabalho e impactar suas empresas. Da mesma forma, conforme a análise se torna mais eficiente e mais tempo é investido enfrentando problemas difíceis (não apenas preparando os dados para fazer isso), eu acho muito interessante ver o aumento da satisfação no trabalho dos indivíduos.

Portanto, da próxima vez que você pensar sobre os benefícios de um projeto de transformação digital, considere os benefícios adicionais além do ROI financeiro. O operador que agora pode conduzir a análise de correlação, o engenheiro de processo que pode se concentrar na solução de problemas em vez de confrontar dados, o supervisor curioso que tem um palpite e quer ver se os dados estão de acordo com sua ideia… A transformação digital bem-sucedida produzirá melhorias financeiras e aumentará a produtividade das fábricas. Essas transformações também produzirão melhorias valiosas na maneira como as pessoas trabalham e no quanto gostam do seu trabalho.

 

Já esta convencido dos potenciais escondidos em seus dados?

Solicite uma Demo

Indústria 4.0 no segmento automotivo

industria 4.0 segmento automotivo

Introduzindo a técnica de produção em massa em linhas de fabricação, Henry Ford, fundador da Ford Motors e referência no segmento automotivo, converteu o conceito do automóvel de um item caro e luxuoso em um meio de transporte prático. Agora, um século mais tarde, a indústria automotiva está passando por mais uma revolução, senão conhecida como a Quarta Revolução Industrial. Essa revolução, que gira em torno da digitalização da manufatura, é chamada Indústria 4.0, sendo definida pelo aprimoramento de sistemas inteligentes impulsionado por dados e machine learning.

Enquanto a indústria 4.0 causou e continua causando um grande impacto nos fabricantes de diferentes segmentos, esse post focará apenas na indústria 4.0 no setor automotivo.

A indústria automotiva é tipicamente dividida em 2 setores: as montadoras de carros e as fabricantes de auto peças. À medida que os carros que vemos nas estradas continuam evoluindo e sendo aprimorados, o número de peças cresceu nos últimos anos, o que, naturalmente, gerou um aumento de peças sendo fabricadas pelos fornecedores.

Com a complexidade dos veículos atuais e o constante desafio em alcançar o produto final perfeito, a indústria automotiva está cada vez mais enfrentando problemas de qualidade que demandam tempo e intenso trabalho para serem resolvidos.

A indústria 4.0 para o segmento automotivo

A indústria 4.0 é definida pela compreensão de dados capturados das máquinas, seus comportamentos e como alavancar aquela informação para melhorar resultados de produção. Enquanto a maioria das fábricas ainda não atingiu o estado perfeito de conectividade, as fábricas estão começando a adotar os princípios da Indústria 4.0. Esta é uma ótima oportunidade de resolver desafios de qualidade encarados pelas linhas de produção.

Felizmente a indústria automotiva é uma das mais entusiasmadas a adotarem as novas tecnologias.

De acordo com um relatório da Capgemini, até o final de 2022 as indústrias automotivas preveem que 24% de suas plantas serão fábricas inteligentes e 49% das montadoras já terão investido mais de 250 milhões de dólares na fábrica do futuro.

Vamos mergulhar nos diferentes benefícios de negócios que a manufatura automotiva ganha ao implementar tecnologias de indústria 4.0.

Descobrindo causas raiz de processos ineficientes

Implementando ferramentas baseadas em inteligência artificial, engenheiros de produção podem identificar diferentes ineficiências de processo em suas linhas que prejudicam a qualidade e rendimento. Isso pode ser feito com a análises de causas raiz.

A análise automatizada de causas raiz aplica diferentes algoritmos de aprendizado de máquina aos dados da linha de produção, rastreando automaticamente a cadeia de eventos que levam a específicas falhas de produção. Isto permite que os times investiguem facilmente as causas das falhas, dando a eles condições de minimizar desperdícios e ineficiências.

Prever e prevenir quando quando as ineficiências de processo irão acontecer

Agora com a habilidade dos times de produção em entenderem a causa de falhas específicas de produção, eles vão querer evitar que elas aconteçam novamente. Isto pode ser feito com análises preditivas, que essencialmente traduzem os dados capturados em insights preditivos, o que permite que os times de produção identifiquem quando específicas ineficiências de processo poderão ocorrer. Portanto, tendo esta habilidade, times de processos são aptos a aumentar o rendimento e prevenir falhas de qualidade.

Como a Faurecia Clean Mobility se beneficiou da Indústria 4.0

Vamos dar uma olhada nos benefícios de negócio que a fábrica da Faurecia alcançou após implementar a indústria 4.0 para otimizar os processos de produção.

A Faurecia vivenciou perdas e atrasos, o que os levou a pesquisar uma forma de identificar problemas de qualidade em suas operações a fim de preveni-las. A combinação de IIoT e Big Data é uma grande parte da transformação digital que a Faurecia está passando, eles conectaram suas máquinas para monitorar integralmente o processo produtivo de forma centralizada. Usando data analytics para processar dados em tempo real, eles foram habilitados a controlar estatisticamente o processo de soldagem, possibilitando a prevenção de perdas futuras antes mesmo que elas aconteçam.

Desta forma a empresa continuamente aprimora o tempo de entrega e a satisfação do cliente.

Alavancando tecnologias de indústria 4.0, indústrias automotivas podem lidar com perdas de qualidade e de rendimento tanto na produção quanto na linha de montagem. Por exemplo, problemas de qualidade de superfície, problemas de solda, problemas de revestimento, problemas de espessura da pintura, problemas de montagem do painel ou interiores, e muito mais, podem ser atenuados. Ao fazer isso eles desfrutam dos benefícios do negócio a longo prazo, o que se traduz em aumento do retorno sobre o investimento.

 

Já esta convencido dos potenciais escondidos em seus dados?

Solicite uma Demo

Equipe de monitoramento analítico de dados: Uma aliada durante a pandemia

Estes tempos de crise provaram o quão importante é incorporar análises de dados no dia-a-dia das plantas. Nós propomos uma abordagem diferente na integração de dados em operações diárias: construindo uma Equipe de Monitoramento Analítico (EMA)

Análise de dados e machine learning possuem muitos benefícios para oferecerem para fábricas de diversos segmentos, e em tempos de crises como este o tema se torna ainda mais importante para adequar alguns aspectos do “novo normal”.

Reagir à problemas como defeitos de qualidade ou paradas não programadas, pressionando engenheiros a apagar incêndios ao invés de trabalharem em planos estratégicos e proativos para otimizar a produção nunca foi uma boa forma de operar. Mas durante uma crise isto é totalmente impraticável.

As soluções de monitoramento analítico como as da Crave Industry provaram sua eficácia na detecção de sinais de falha iminente ou de uma parada de processo antes que profissionais humanos pudessem perceber os problemas e até mesmo antes que os sensores sinalizassem um grave desvio de padrão. Então, está mais do que na hora de listar todas as nossas capacidades.

COVID-19 força o monitoramento analítico avançado para o primeiro plano

A pandemia de COVID-19 mudou as práticas de trabalho nas fábricas quase da noite pro dia. Ao invés de ter um time completo à disposição para realizar reparos, passamos a contar apenas com um selecionado time no local. Quando uma intervenção é requerida, ela deve ser programada para ser resolvida pelo menor número de colaboradores necessários, e em um momento em que a planta esteja mais vazia possível. Isso torna desastroso adiar os reparos até o último minuto. Com conhecimento avançado sobre uma falha futura, as plantas podem escolher a partir de uma posição mais confortável se deve ou não efetuar um reparo e quando deve agendá-lo.

Além disso, as salas de controle são lugares caóticos e cheios de colaboradores. Os erros às vezes podem ser apontados por um (a) colega que olha por cima do ombro de alguém e aponta um erro. Esse método casual funciona bem o suficiente quando a planta está cheia de pessoas, mas quando está quase vazia não há ninguém por perto para apontar um erro como esse. Neste cenário, o monitoramento remoto é necessário para substituir a mútua supervisão casual.

Por fim, muitas plantas seguem uma rotina fixa para manutenção ou troca de peças, que nem sempre é baseada em suas condições em tempo real. Novamente, isso pode não ter importância em “tempos normais”, mas quando a fábrica está operando na maioria do tempo de forma remota e com um time reduzido, toda decisão precisa ser sopesada e tomada conscientemente ao invés da forma padrão. O monitoramento analítico faz esse tipo de previsão ser possível.

Com monitoramento analítico é possível rastrear todos os processos, produção, qualidade e tudo isso simultaneamente, comparando problemas entre si e também analisando-os individualmente.

Aumentando o benefício das soluções de monitoramento analítico 

Qualquer forma de monitoramento analítico gerará benefício para plantas em tempos de crise, mas a nossa experiência tem mostrado que alguns métodos de implementação tem impacto superior.

Você pode colocar uma solução de monitoramento analítico nas mãos de uma sala de controle e guiá-los para a melhor forma de utilizá-la. Todavia, isso demanda um bom acordo entre o time e a gerência para fazer com que isso funcione. Times de salas de controle já estão completamente ocupados com suas tarefas regulares, e não tem tempo para testar a nova solução, responder aos alertas adicionais ou estudar o valor que a solução está trazendo. Isso leva bons 6-18 meses, mais reuniões quinzenais lideradas pela gerência, para que essa aproximação seja efetiva.

Apresentando a equipe de monitoramento analítico

Uma alternativa é criar uma Equipe de Monitoramento Analítico para supervisionar e controlar o monitoramento analítico por toda a planta. A EMA poderia ter uma pessoa específica ou um pequeno time dedicado a aplicar e gerenciar as novas ferramentas de monitoramento analítico. A pessoa ou o time seria responsável por conferir os alertas, entendendo cada problema revelado e, em seguida, consertando esses problemas, e, por fim, extraindo o valor por tê-los corrigido.

O processo de resolução pode requerer o trabalho conjunto de salas de operação, engenheiros de processos, times de manutenção, entretanto, o líder da EMA deve assumir a liderança e garantir que isso aconteça. Com uma EMA, empregados podem ganhar uma visão integral da planta para uma compreensão geral da saúde da planta, o que é útil a qualquer momento, mas vital na atual conjuntura. Uma EMA é uma solução escalável que pode ser expandida para inúmeras fábricas, uma vez experimentada e testada em uma primeira.

Em várias empresas com muitas plantas e fábricas é benéfico escalar a solução e criar uma equipe remota de monitoramento analítico, ou ERMA. Com uma ERMA, ao invés de ter um EMA local gerenciando o monitoramento analítico de um lugar isolado, você conectaria múltiplas fábricas sob a supervisão de uma única equipe de controle remoto que pode rastrear e responder alertas de vários locais em tempo real.

Como em um time de EMA, os colaboradores do ERMA são responsáveis por tomar decisões estratégicas a respeito de manutenção e reparos, mas a partir de diversos locais. Suas decisões seriam mais ricas e melhor fundamentadas, desde que baseadas em um conhecimento vertical que aplica a sabedoria adquirida de uma fábrica para outras fábricas em toda a organização. Os colaboradores do ERMA podem acessar insights mais profundos sobre as práticas recomendadas e usá-los para tomar, com mais facilidade, decisões mais proativas, reduzir custos e manter o desempenho máximo mesmo em tempos de incerteza e confusão. 

Já esta convencido dos potenciais escondidos em seus dados?

Solicite uma Demo

Um roteiro eficiente para a indústria 4.0

roteiro para indústria 4.0

Transformando dados em valor no chão de fábrica

Atualmente não faltam discussões sobre roteiro para indústria 4.0, IIoT, jornada de transformação digital, e outros conceitos que ainda estão por vir. Tudo isso são avanços importantes para este novo “normal” além de ser bastante animador evidentemente. 

Porém, com tantas ideias futuristas e chavões rodopiando por aí, é útil trazer à discussão de volta para a realidade. Vamos mergulhar profundamente no estágio real das indústrias, seus desafios e onde as soluções podem ser encontradas.

 Qual é o estágio das fábricas hoje? Vamos começar com algumas boas notícias.

Milhões de dados já estão armazenados, porém nebulosos e inacessíveis!

A coleta de dados de processos do chão de fábrica, máquinas e robôs têm sido largamente alcançada com o passar dos anos, embora em muitos cenários isto ainda não é realidade. 

Tendo em vista a abundância de dados sendo gerados diariamente em linhas de produção, é altamente aconselhável que as indústrias tratem como uma prioridade o entendimento do panorama dos dados existentes e aprendam a torná-los úteis. Apesar desse comentário aparentar ser trivial, infelizmente dados industriais ainda não estão gerando impactos significativos nos negócios. 

O real problema é que os dados industriais e a tecnologia implantada em seu entorno estão fragmentadas e quando são historiados, estão em locais diferentes. Cada tipo de dado chega em um formato e estrutura própria e são armazenados em sistemas especializados que, em contrapartida, não conversam entre si.

Como resultado, a muitas das variáveis de processo não podem ser coletadas em tempo real. Apenas uma pequena fração de dados é acessível e muitas vezes isso demanda horas ou dias. Algumas indústrias têm acumulado várias variáveis em um lago de dados locais (historiadores), mas outros dados ainda continuam sem conectividade. O resultado disso é que o que deveria ser um lago de dados na realidade é mais parecido com um pântano.

Crie um modelo unificado de dados

Para que se tornem úteis, as suas diversas fontes de dados – sensores entregando dados em tempo real, significantes informações de processo, dados de qualidade e dados de paradas de máquina – devem ser trabalhados juntos. Não há dúvidas de que é mais fácil falar do que fazer, diante da quantidade de terabytes e milhares variáveis de processo. Mesmo se você pudesse contratar um exército de cientistas de dados, eles provavelmente não poderiam tratar todo esse volume em um período próximo ao tempo real. Afinal, cientistas de dados são só humanos. Mas inteligência artificial não é. 

 

Tratamento de dados com inteligência artificial

Ferramentas de inteligência artificial e machine learning foram inventadas exatamente para lidar com uma gigantesca quantidade de dados envolvendo diversas fontes e milhares de variáveis.

Potencialize essas tecnologias para limpar, combinar, inter relacionar suas diversas fontes de dados, e modelá-las criando uma réplica digital de todo o processo industrial: o “gêmeo digital”. Com seu universo de dados unificado e modelado desta forma, você pode transformá-los em fluxos contínuos de informação. Estratificando para máquinas específicas, processos e partes, tecnologias sofisticadas revelarão soluções para questões críticas que anteriormente tenham ficado sem respostas.  

Certamente você precisará de ajuda de analistas ou de uma plataforma de IoT que pode fazer tudo isso, como a Crave Platform, uma plataforma de inteligência artificial que já está alcançando resultados-chave para diversas indústrias.

Em resumo: Unifique seus dados, molde toda a produção e a analise. Essa é a receita. Agora, como você aplica isso e quando começar? 

Construa um roadmap. Muito mais do que entender a posição atual, o ponto a ser alcançado e prever os passos a serem dados, a construção do roadmap ajuda a organizar os objetivos do setor/linha/planta, permitindo que se decida o que deve ser priorizado. Especificamente no que concerne à indústria é importante, ainda, que o projeto de indústria 4.0 esteja alinhado com o planejamento estratégico da Companhia. Uma vez que você tem uma planta e um plano, a implantação não demandará um exército de consultores, nem serão necessários anos para perceber o valor dessa mudança. Um pequeno time trabalhando de forma inteligente e constante pode alcançar resultados palpáveis e significativos dentro de poucas semanas ou de um mês no máximo. 

Comece pequeno. Comece com uma linha de produção ou planta e determine os objetivos que você gostaria de alcançar com os dados. Reduzir a taxa de refugo poderia ser um. Otimizar a manutenção preventiva poderia ser outro. Você pode querer finalmente localizar as causas raízes de paradas problemáticas recorrentes, ou então determinar a configuração de ideal das máquinas para gerar produto de qualidade uniforme. Esses são apenas exemplos; escolha seus próprios objetivos baseado nas suas necessidades e problemas maiores e mais urgentes.

Aprenda rápido. Com resultados baseados em evidências chegando tão rapidamente, a implementação pode ser tão rápida quanto. Trabalhando com uma única fonte de verdade – um modelo compreensivo e abrangente para todos processos operacionais de entrada de dados – todos, desde os diretores da planta, supervisores de linha, engenheiros de processos, e operadores, podem imediatamente começar a aprender, ajustar e iterativamente adequar os seus processos e procedimentos de acordo com o que os dados revelaram.

Escale. Uma vez que você passou pelo POC em uma das plantas, é importante replicar a implantação. Você quer proporcionar a todos a mesma tecnologia e a mesma versão. Aqui também a plataforma da Crave Industry é uma excelente escolha, já que foi arquitetada para ser rapidamente implantada.

Agora é a hora

Muitas indústrias já colocaram os dados da produção para trabalhar e leva-las a um impacto tangível. 

Voltando em nossos exemplos, paradas não programadas ainda ocorrem semanalmente, taxas de refugo e retrabalho podem ser menores, e inúmeros problemas operacionais permanecem sem resolução. Com certeza, mesmo com tudo isso e em plena pandemia, sua companhia ainda deve estar indo muito bem financeiramente. O que vale a pena ressaltar é que agora sem dúvida é o melhor momento para abraçar a Indústria 4.0 e começar a transformar seus dados valor real.

Nesta era de incerteza econômica, ninguém sabe o que o futuro poderá trazer. Mas as probabilidades são excelentes e indicam que o novo negócio de valor que você constrói hoje será o gerador de sua prosperidade e crescimento amanhã. 

Já esta convencido dos potenciais escondidos em seus dados?

Solicite uma Demo

Tendências da Indústria 4.0: do vapor à era digital

A história mostra que a indústria experimentou 3 marcos nos quais ocorreram as mudanças mais significativas no cotidiano da produção, as quais também impactaram a sociedade em um nível econômico, social e político. Tais transformações foram chamadas de Revoluções Industriais, que serão apresentadas a seguir juntamente com as tendências da indústria 4.0, uma era que já tem dado sinais substanciais.

Histórico

A primeira delas, ocorrida no século XVII (meados de 1765), foi notada a partir da mecanização da cadeia produtiva através, principalmente, da introdução do maquinário a vapor.

A segunda, iniciada no século XVIII (1870), foi marcada pelo uso da energia elétrica e petrolífera.

A terceira, cujo termo inicial corresponde ao período posterior ao final da Segunda Guerra Mundial, por volta de 1959, compreendeu a criação dos computadores e da internet, a automatização do processo produtivo a partir da invenção de equipamentos eletrônicos, com a exploração da biotecnologia, dentre outros resultados, os quais são utilizados até os dias atuais.

Atualidade

Apesar dos grandes avanços gerados a partir da Terceira Revolução Industrial, entusiastas e estudiosos do tema já ousam afirmar que estamos experimentando a Quarta Revolução Industrial, dentre os quais cita-se Klaus Schwab, fundador do Fórum Econômico Mundial e autor das recentes obras “The Fourth Industrial Revolution”, publicado em 2016, e “Shaping The Fourth Revolution”, publicado em 2018.

Esta onda tem impactado as interações cotidianas da sociedade a partir de um ponto central: a conectividade.

Nesse contexto, percebe-se a emersão de tecnologias disruptivas de ordem física, que contemplam, exemplificativamente, a criação de veículos autônomos e impressões 3D; de ordem digital, que promovem a interação instantânea entre o real e o virtual; e de ordem biológica, como o melhoramento genético e o aprimoramento de procedimentos cirúrgicos.

Tais perspectivas são possíveis graças à Internet das Coisas (Internet of Things).  A conectividade estabelecida entre várias coisas existentes no mundo material e usuários, por intermédio de sensores, chips e/ou softwares permite a transmissão dos dados respectivos para uma rede com o intuito de proporcionar conforto, informação e praticidade para as pessoas. 

Essa tecnologia e outras derivadas passam também a ser aplicadas em suporte às atividades desenvolvidas no ”chão de fábrica”, através da interconectividade da planta industrial, o que dá condições para o aumento da produtividade, eficiência e qualidade no contexto da operacionalização fabril, caracterizando a chamada Indústria 4.0.

Ainda não há um caminho exato para a migração da Indústria Manufatureira fruto da Terceira Revolução Industrial para o status de Indústria 4.0, mas vale constar que segundo publicação resultante do evento “Indústria 4.0 no Brasil: oportunidades, perspectivas e desafios” (realizado em 2018 pela Firjan SENAI em parceria com a Finep), haveria 4 passos para este fim: 1) Enxugamento dos processos produtivos; 2) Requalificação de trabalhadores e gestores; 3) Inclusão de tecnologias já disponíveis no mercado e de baixo custo; 4) Investimento em pesquisa, desenvolvimento e inovação.

Há muita especulação sobre o potencial impacto das tendências da indústria 4.0 na manufatura. Embora as mudanças sejam certas, a não priorização e espera de grandes soluções do mercado pode ser mais prejudicial do que o investimento em soluções aplicáveis à realidade atual. Saiba como acompanhar as tendências da indústria 4.0 através dos seguintes passos: Análise de dados para a manufatura: 5 passos para o sucesso. 

Atualmente, o grande responsável pela entrega desta experiência é o Digital Twin, que foi listada pelo Gartner Group como uma das 10 tecnologias estratégicas que são tendências em 2019. O Digital Twin está inserido dentro do universo da Internet of Things e é  a reprodução virtual de um objeto físico em tempo real, cuja cópia é armazenada em uma nuvem digital que pode ser acessada remotamente, de forma descentralizada. 

É importante destacar que o Digital Twin oferece muito mais do que um retrato, permitindo o acesso aos dados do objeto e, por conseguinte, o monitoramento integral de seu funcionamento, podendo ser aplicado a pessoas, processos e coisas.

Na prática industrial esta tecnologia permite o monitoramento da planta em tempo real, gerando as seguintes possibilidades ao operador: análise preditiva de processos, redução de tempo de inatividade, diminuição da taxa de sucata, dentre outras expectativas relacionadas à produção. 

Crave Platform

A Crave Industry está alinhada com as tendências da indústria 4.0 e oferece uma plataforma digital baseada nas tecnologias citadas anteriormente. Trata-se de uma ferramenta criada de forma personalizada e destinada à coleta e análise de dados industriais, bem com à digitalização de processos fabris.  

Assim, percebe-se que é notório que o domínio da informação qualificada, possível graças ao Digital Twin, otimiza o trabalho dos empregados e permite a tomada de uma decisão melhor e mais rápida, o que certamente impacta positivamente no dia-a-dia e na eficiência da indústria.

Por: Isa Carla de Souza, Representante de Desenvolvimento de Vendas na Crave Industry