Category

Artigos

Não acredite no hype da indústria 4.0

O termo, indústria 4.0, fornece aos profissionais de engenharia uma estrutura para reposicionar algumas tecnologias que estão ficando obsoletas, enquanto a verdadeira transformação ainda está para acontecer. Primeiro por uma barreira cultural lenta e segundo pelo nível de prontidão de conectividade ainda demandar outros “primeiros passos” para descobrir se sua fábrica está pronta.

As discussões em torno da Quarta Revolução Industrial, ou Indústria 4.0, começaram há nove ou dez anos. O pensamento inicial em torno da Indústria 4.0 é baseado na automação completa de instalações de manufatura usando grandes quantidades de dados, robótica, IA e aprendizado de máquina.

Infelizmente, existem alguns problemas com essa visão atual da Indústria 4.0.

Primeiro, as conversas estão sendo conduzidas por departamentos de marketing ou de inovação para fornecer uma nova visão dos recursos atuais em torno da IoT: sensores inteligentes, nuvem, realidade aumentada, realidade virtual e inteligência artificial. Pasme, nenhum deles é novo. As raízes da IoT remontam em 1982 e a famosa nuvem começou a ganhar força no início dos anos noventa.

Além disso, o investimento em projetos de inovação forçados por uma diretriz top down sem o entendimento do contexto de chão de fábrica ou sem critérios de priorização de demandas reais, tem sido forçada pela imagem corporativa e marketing almejada. Resultado, são projetos sem sustentabilidade econômica ou retorno sobre o investimento.

Hoje, a Indústria 4.0 fornece aos profissionais de engenharia uma estrutura para posicionar algumas tecnologias que estão se tornando um pouco difundidas como tendo um propósito novo ou diferente na fabricação. Mais importante ainda, cada uma dessas tecnologias gerou instantaneamente modelos de negócios novos e criativos. Essa é a parte da revolução.

Por que você não deveria acreditar no hype atual? O que está acontecendo hoje não é a Indústria 4.0. É uma série de sequências da atual Revolução Digital, que começou na década de cinquenta.

Isso de forma alguma sugere aos fabricantes para não usarem novas tecnologias para um ganho tremendo. É para isto que elas servem. A robótica criou níveis de automação sem precedentes: a IoT e os sensores inteligentes medindo sensores de aquecimento e resfriamento a cada 50 milissegundos resultaram em economias substanciais de custos no chão de fábrica.

É aqui que se encontra o cenário atual, aplica-se mudanças incrementais ao longo do tempo usando tecnologias existentes para melhorar o processo, aumentar a qualidade e reduzir custos. A Revolução Digital ainda está em curso.

Grandes quantidades de dados nas modernas instalações de manufatura fluem rapidamente e, por meio de um painel, podem parecer uma única unidade coesa. Você sabe que este não é o caso. Apesar dos avanços, todos os sensores, IA, automação e fabricação de robótica são isolados. Os dados dos sensores precisam ser movidos para um sistema diferente para serem analisados, com os resultados geralmente exigindo uma revisão manual antes de serem realimentados em um sistema diferente. Não, não é mais um MES ou sistemas ERP, estamos falando de sistemas integrados em uma única plataforma escalável dedicada a gerar análises avançadas que sua operação dependeria de equipes para sustentar uma arquitetura robusta de dados. Lembre-se, o foco da sua operação é fabricar o produto manufaturado com eficácia.

A capacidade de analisar instantaneamente grandes quantidades de dados conectará pontos em toda a cadeia de valor da manufatura, dos fornecedores aos consumidores. Os dados sobre como, quando, onde e por que um produto é consumido reverberam em todas as partes da cadeia de valor. Isso influenciará todas as decisões em todas as partes do processo de fabricação, na maioria das vezes automaticamente.

O que não temos é a comunicação clara de problemas específicos do chão de fábrica para o projeto de inovação. Estamos à beira de um progresso que ainda precisamos imaginar resolvê-lo de forma pontual e não por vitrine. Quando o fizermos, saberemos que a Indústria 4.0 chegou.

Converse com quem possua prática em projetos 4.0

Solicite uma Demo

5 Mitos sobre Machine Learning

O Machine Learning, aprendizado de máquina em português, está em alta no momento. Milhares de sites, eventos e veículos de comunicação estão repletos de opiniões de especialistas sobre o que é e como esta tecnologia impacta diversos setores da economia industrial. No entanto, como qualquer outra tecnologia que se torna protagonista da vez, o debate sobre sua aplicação prática gera divergências de opiniões e distorções sobre a mesma.
Consequentemente, à medida que o termo cai em uso popular, muitos conceitos e crenças errôneas surgem em torno da tecnologia. Para ajudar a esclarecer alguns pontos conflitantes da sua aplicação no ambiente industrial, a Crave Industry, visa explanar alguns mitos que estão sendo replicados nos últimos tempos. Vejamos alguns:

Mito 1 – Todos os dados do chão de fábrica precisam ser utilizados

Um achismo comum no entendimento da indústria é que quanto mais dados disponíveis para treinamento de um modelo, melhor será sua validação de testes e facilidade em encontrar o resultado desejável.

Neste processo de treinamento, muitos dados são descartados por inúmeras razões como por exemplo, pelo fato de não serem relevantes ao contexto e objetivo final do modelo de Machine Learning que está sendo desenvolvido.

Mito 2- São necessários muitos dados

Em complemento ao raciocínio anterior, após o treinamento do modelo, em que os padrões assertivos já foram validados, não é mais necessário a inserção de dados destinados a treinamento.
A falácia se explica pelo fato da modelagem uma vez validada, de nada adiantaria treinar o mesmo modelo com remessas de dados de mesmo significado.
Além disso, uma tendência de mercado é que as indústrias busquem a prontidão de conectividade de dados e integração unificada, ambas essenciais para avançar para com o uso do Machine Learning e consequentemente acelerar o processo de modelagem em larga escala. Isto é, primeiro é necessária a implementação de um sistema integrado (topologia Crave Platform), um pipeline de dados (data pipe line as a service) para um cenário ideal e avanço para a terceira camada de tecnologias emergentes.

Mito 3 – Machine Learning é imparcial

O fato é que os modelos aprendem a partir de dados, identificação de padrões, respostas dadas por humanos e vão responder com a parcialidade ou imparcialidade a qual foram treinados e nada além disso.
Por isso, se são mostradas, como exemplo, inúmeras fotos de peças azuis e verdes e pede-se para o algoritmo identificar as azuis, provavelmente ele irá separar pelas identificações ou etiquetas tituladas azuis, como azul em uma determinada paleta de cores, uma vez que esta foi a variação de paleta apresentada a ele.
Em poucas palavras podemos dizer que a máquinas não faz o que você quer, ela faz o que ela foi orientada (treinada) a fazer!

Mito 4- Aprendizado por Reforço é o fim do processo

Aprendizado por reforço é quando  a máquina tenta aprender qual é a melhor ação a ser tomada, dependendo das circunstâncias na qual essa ação será executada.

Essa ideia de fato deriva do conceito de “aprendizagem por reforço” da psicologia, no qual uma recompensa ou punição é dada a um agente, dependendo da decisão tomada; com o tempo e a repetição dos experimentos, espera-se que o agente consiga associar as ações que geram maior recompensa para cada situação que o ambiente apresenta, e passe a evitar as ações que geram punição ou recompensa menor.

Atualmente, são poucas as recompensas oferecidas hoje no mercado a este modelo de aprendizagem, não exigindo demais dos computadores para fazerem tentativas suficientes além do monitoramento dever ser permanente no processo de aprendizado.  

Mito 5 – O Machine Learning anula completamente a necessidade de humanos

Assim como, muitos afirmam que toda tecnologia anula empregos, por sua vez gera um gap de mão de obra especializada para trabalhar com ela. Embora possibilite que a execução de tarefas repetitivas seja substituída, por outro lado, torna necessária uma maior capacitação  do empregado para se manter no mercado.
Mas e quanto à Indústria? O Machine Learning ja é uma realidade no cenário industrial?
A adoção do Machine Learning corporativa, segundo relatório da Gartner, mais de 270% nos últimos quatro anos. Tal adoção se justifica pela tecnologia Machine Learning possuir a capacidade de acelerar os processos de tomadas de decisões, de processos industriais por exemplo, e gerar maiores retornos sobre o investimento (ROI), segundo o mesmo relatório mencionado, cerca de 37% das organizações já implementaram em algum de seus processos.

E você, já acreditou em algum desses mitos?

Solicite uma Demo

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

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

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

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