Manutenção preditiva e previsão de revoluções industriais

Quão transformacional é a inteligência artificial? Essa pergunta aparentemente simples pode ser difícil de responder.

Em primeiro lugar, o termo geralmente tem um significado nebuloso. Muitas vezes, o termo é uma abreviatura para "inteligência geral artificial" ou "IA forte". Nessa construção teórica, a inteligência não orgânica tem a capacidade de raciocinar e realizar uma série de tarefas. É também esse tipo de IA que Hollywood mencionou em filmes como “O Exterminador do Futuro”, bem como a variedade que provoca medos distópicos em nomes como Elon Musk e Bill Gates. Mas a questão de quando tal forma de IA existirá é impossível de responder decididamente. O Gartner argumenta que provavelmente levará décadas até que os pesquisadores criem máquinas capazes de se aproximar do raciocínio humano, embora máquinas treinadas em tarefas estreitas possam ofuscar os humanos em jogos intelectuais como xadrez e, mais recentemente, Go. Martin Ford, autor de “Architects of Intelligence:A verdade sobre a IA pelas pessoas que a estão construindo”, disse a maioria dos especialistas acredita que IA forte é algo decididamente imprevisível.

Assim como, ao que parece, as revoluções industriais. Embora conceitos como Industrie 4.0 sugiram amplamente que a convergência de IA, IIoT e outras tecnologias podem fomentar a próxima revolução industrial, a produtividade nas nações ocidentais tem sido lenta por décadas. A produção industrial dos EUA para fábricas, minas e utilidades caiu 0,1% em março, o que, como disse o WSJ, "reforça a visão de que a manufatura atingiu um ponto fraco".

Mas, embora o macrocosmo industrial, medido por vários índices de produtividade, avance, há um número crescente de histórias de sucesso emergindo de empresas industriais que adotam tecnologias IIoT em conjunto com o aprendizado de máquina. A startup FogHorn, por exemplo, ajudou a empresa japonesa de eletrônicos industriais Daihen a eliminar 1.800 horas de entrada manual de dados em uma única fábrica. E uma grande empresa de bebidas economizou o equivalente a 1 milhão de latas de cerveja por meio da manutenção preditiva de uma só vez. A empresa instalou tecnologia de monitoramento de máquina da empresa Augury, que combina vibração sem fio, ultrassom, temperatura e sensores magnéticos com aprendizado de máquina para detectar problemas de máquina para uma variedade de máquinas industriais, incluindo aquelas usadas por cervejarias. “E detectamos desgaste severo do rolamento em uma enchedora - a máquina que enche latas com cerveja”, disse Saar Yoskovitz, cofundador e CEO da Augury. “A descoberta permitiu que a cervejaria resolvesse o problema durante o tempo de inatividade planejado. “Por serem uma instalação 24 horas por dia, 7 dias por semana, eles não têm espaço para tempo de inatividade não planejado”, disse Yoskovitz. Mas o problema do rolamento pode ter causado uma falha que resultou em oito horas de perda de produtividade. “Isso se traduz em 1 milhão de latas de cerveja e US $ 200.000 em receita”, acrescentou Yoskovitz.

Alizent, subsidiária digital da Air Liquide, fornece outro exemplo do poder das tecnologias Industrie 4.0. Incorporando tecnologia da OSIsoft, a Air Liquide criou uma plataforma de otimização de planta conhecida como SIO há alguns anos. O software PI da OSIsoft atua como o mecanismo de dados embutido para a plataforma, o que permite a coleta de dados e o refinamento para análises. “A Air obteve retorno em três meses com a SIO e um retorno de 10 vezes no primeiro ano”, escreveu Michael Kanellos,

Analista de IoT e gerente sênior de comunicações corporativas da OSIsoft por e-mail. “Eles então passaram a usá-lo para gerenciar fábricas de maneira totalmente apagada (ou seja, sem funcionários) em toda a França e sudeste da Ásia.” Em seguida, a Air Liquide decidiu desmembrar o grupo digital na unidade Alizent para atender a Air Liquide e outras empresas.

Outro exemplo de empresa com rápido ROI de transformação digital é o White House Utility District. Uma das principais concessionárias de água e esgoto do Tennessee, a organização reduziu o vazamento de água de aproximadamente 32% para 15%. A economia de água resultou em uma economia de milhões de dólares também. “Mas eles também reduziram o gerenciamento de dados, economizando US $ 30.000 por ano”, disse Kanellos. “Eles adiaram uma nova fábrica de US $ 15 milhões em 11 anos. A reputação da comunidade aumentou. As agências de classificação de crédito até aumentaram suas classificações. ”

Mark Willnerd, CEO e presidente da empresa de aprendizado de máquina industrial Toumetis, prevê um aumento na produtividade industrial nos próximos cinco anos. “Graças a tecnologias como aprendizado de máquina, veremos uma grande melhoria”, disse ele. “[Poderíamos ver um retorno dos] ganhos de produtividade dos anos 90”, acrescentou Willnerd, referindo-se à década ligada ao rápido aumento da produção.

Toumetis está trabalhando com uma empresa de energia com um campo de petróleo que Willnerd espera poder um dia ser um dos maiores locais de produção do mundo. Um fator que prejudica a produtividade do local é a falta de confiabilidade das bombas elétricas submersíveis, que podem tirar um poço de produção. Mas se os especialistas no assunto, mantendo o controle sobre o equipamento da empresa, supervisionando 1.500 poços e 100 sinais de dados diferentes, eles podem facilmente perder dados que indicam uma falha iminente da bomba. “Eles não sabem quais poços irão falhar quando”, disse Willnerd. “Mas se eu puder prever quais irão falhar em uma janela de 14 dias, posso programar reparos para maximizar o lucro e a produção.”

Mas o processo de aplicação do aprendizado de máquina - ou a aplicação dele na manutenção preditiva - na área industrial raramente é simples. “Os dados podem ser inconsistentes. Você pode ter leituras falsas de sensores. Você pode ter dados ausentes ”, acrescentou Willnerd. “E é preciso apenas limpar os dados antes que você possa fazer análises sobre eles.”

Willnerd supõe que ainda estamos na infância na aplicação do aprendizado de máquina em aplicações industriais.

Um estudo da Bain &Co. intitulado “Além das provas de conceito:dimensionando a IoT industrial” chega a conclusões semelhantes após uma pesquisa com 600 executivos de alta tecnologia. A IIoT em geral e a manutenção preditiva, em particular, costumam ser mais desafiadoras de implantar do que o esperado - assim como a perspectiva de extrair “percepções valiosas dos dados” de projetos da IIoT. O relatório conclui posteriormente, no entanto, que "a IoT industrial continua sendo uma oportunidade promissora".

Um desafio central é que dar sentido a esses dados também requer uma rara combinação de conhecimento de domínio e conhecimento de ciência de dados. Para ajudar a preencher a lacuna, Toumetis contratou especialistas industriais que trabalham com análise de dados desde o final dos anos 1990 e início dos anos 2000. “Ainda é uma forma de arte”, disse Willnerd. “Você tem que entender claramente qual problema está tentando resolver e qual é o valor comercial associado a isso.”

Yoskovitz tem uma opinião semelhante. Depois de visitar uma série de instalações industriais nos Estados Unidos, ele chegou à conclusão de que um dos desafios mais comuns era encontrar talentos. Embora muito tenha sido feito sobre a dificuldade de encontrar um especialista em, digamos, cibersegurança industrial ou ciência de dados industriais, o problema é maior. “Certa vez, entrei em uma sala para fazer o treinamento nas instalações do nosso cliente. A idade média era de 55 anos ”, lembrou Yoskovitz. “Tínhamos pessoas lá que estavam prestes a se aposentar e os recém-chegados que estavam na casa dos 20 anos. E você tem uns bons 30 anos entre eles. ”

Grande parte da experiência de manufatura legada nos Estados Unidos desaparecerá à medida que os funcionários industriais mais velhos se aposentem nos próximos cinco a dez anos. Enquanto isso, os empregos industriais ocupam uma posição inferior na lista dos funcionários mais jovens. “Quase ninguém da geração do milênio ou da geração Z quer ser técnico de manutenção”, disse Yoskovitz.

Portanto, embora possa ser muito cedo para dizer se tecnologias amplas como IoT e IA criarão uma era de produtividade que rivaliza com as primeiras revoluções industriais, ou se a Indústria 4.0 será algo mais como uma revisão de software do que uma revolução impulsionada pelo sistema ciberfísico. Por enquanto, é uma questão mais prática perguntar como essas tecnologias podem atender às suas necessidades mais urgentes - levar as pessoas certas (técnicos) ao lugar certo (uma máquina potencialmente com falha) no momento certo (antes que a máquina quebre).