TIBCO Explora Inovação na Manufatura na Economia da Anomalia

O diretor de estratégia de digitalização da TIBCO, Alessandro Chimera, discute como fabricantes usam dados, IA e automação para monitorar sistemas.

A forma como usamos dados para monitorar e controlar sistemas de manufatura mudou. TIBCO o diretor de estratégia de digitalização Alessandro Chimera coloca seus macacões eletrônicos e recarrega sua pistola de graxa digital para explicar a forma da economia da anomalia guiando gestão de performance operacional e discute tudo desde gêmeos digitais até IA, automação até supervisão humana.

Algumas partes da indústria de manufatura ainda existem como eram na virada de 1900. Ainda precisamos da graxa, engrenagens e máquinas de moer junto com macacões e pausas para chá. Esses fundamentos provavelmente perdurarão far into o futuro autônomo automatizado porque humanos sempre desempenharão um papel na narrativa fundamental mais ampla que opera qualquer instalação de manufatura.

Mas, claro, sabemos que a manufatura mudou. Através da primeira, segunda e agora terceira revoluções industriais vimos aceleração a vapor, mecanização e agora automação impulsionada por TI aplicada a operações de manufatura de maneiras que nossos predecessores nunca teriam imaginado possível.

À medida que entramos na instalação de manufatura hipercontrolada do amanhã com gêmeos digitais e dados agora se juntando a nossas máquinas físicas e trabalhadores humanos, devemos nos perguntar como devemos abordar detecção de anomalia. É bastante fácil detectar um mergulho ou pico em um gráfico que reporta uma medição significativa, mas o que fazemos quando há uma degradação lenta de qualidade ou performance que acontece ao longo de um mês, ou talvez mais?

Supervisão Humana Cega

Instalações de manufatura modernas agora operam em escala de produção em massa que excede a habilidade de qualquer pessoa única (ou mesmo grupo) de estar em cada ponto no chão de fábrica de uma vez. Nestes ambientes, não podemos confiar na observação humana para nos fornecer a imagem completa que precisamos. Nas instalações modernas de hoje, raramente há apenas uma variável para rastrear, é mais provável ser centenas ou milhares de variáveis.

Se uma anomalia de produção 'rasteja' para nossas operações lentamente, pode passar despercebida até que seja tarde demais e não possamos fazer nada sobre isso. Precisamos falar sobre novas maneiras de trabalhar.

Uma Agulha no Palheiro de Dados de Manufatura

Sabemos que datasets industriais são muito grandes e extremamente complexos. Detectar e prever anomalias é portanto mais difícil do que procurar uma agulha no palheiro pois frequentemente não sabemos o que estamos procurando. Mas, detectar uma anomalia significa economia, que por sua vez se traduz em maiores rendimentos de produção, tanto imediatamente quanto mais adiante na linha.

Muitos fabricantes sabem que têm datasets massivos, mas com muita frequência esses armazenamentos de dados estão em silos e espalhados através de múltiplos sistemas. Esta dispersão e divergência de dados torna difícil entender quando uma anomalia está relacionada a múltiplos sistemas de dados, ou relacionada a diferentes fases físicas de produção. De fato, às vezes é necessário recuperar dados de produtos que já estão no mercado que exibiram problemas operacionais ou de funcionalidade. De qualquer forma, o primeiro passo é unificar todas as suas fontes de dados.

Hoje trabalhamos em um mundo onde analytics está se tornando uma parte fundamental de fábricas modernas; uma tendência sublinhada pelo desenvolvimento de gêmeos digitais, onde precisamos aplicar analytics precisos, rápidos e inteligentes para ganhar o insight preditivo que estas máquinas virtuais podem fornecer.

Uma vez que dados estão disponíveis e podem ser acessados, analytics avançado está lá para começar a analisar o que procurar. Técnicas modernas de ciência de dados estão nos ajudando a descobrir anomalias ocultas que não são imediatamente entendidas devido ao enorme número de parâmetros que podem influenciar qualidade de produto.

Machine Learning e IA Escaneiam Anomalias

Isso nos traz ao hoje. Estamos agora em um ponto onde machine learning (ML) e inteligência artificial (IA) estão fazendo seu caminho no processo de produção também.

Alguns fabricantes inicialmente usaram ML para obter entendimento de suas iniciativas de marketing, segmentar clientes e disparar ações específicas. Mas em anos mais recentes, os fabricantes mais progressistas e avançados começaram a entender o benefício de usar técnicas de ML e IA para detectar anomalias.

Um exemplo é o uso de autoencoders para aprender com dados. Um autoencoder é uma técnica de inteligência de rede neural artificial usada em ML. É usado para codificar e aprender features de datasets não rotulados no que comumente chamamos de aprendizado não supervisionado.

Nosso Futuro de Manufatura Eficiente em Tempo Real

Aplicando modelos estatísticos treinados a dados em tempo real, é possível prever quando uma anomalia ocorrerá. Isso nos leva a um novo ponto de operações eficientes. Tudo isso nos leva ao ponto onde agora podemos mudar de reagir a uma anomalia, para prever a anomalia com o benefício de alcançar reduções substanciais de custo operacional. Reduzimos custos como resultado direto de taxas reduzidas de defeito e sucata e prevenção de downtime não planejado de equipamentos.

A Hemlock Semiconductor (HSC) é um fabricante líder que utiliza controle de processo, manutenção preditiva e soluções de detecção de anomalia para simplificar e controlar sua manufatura de semicondutores.

Introduzindo alertas near real-time para processos de manufatura individuais, funcionários podem agora comparar automaticamente parâmetros-chave contra bandas de parâmetros aceitáveis predefinidas, regras estatísticas e padrões ótimos descobertos através de métodos de machine learning e IA. A HSC recebe alertas gerados automaticamente assim que um processo cai fora de bandas de parâmetros aceitáveis, notificando pessoal de manufatura que algo requer sua atenção. Pessoal pode então acessar dados prontamente para ver precisamente qual variável pode ter causado o problema. Uma vez que estas relações causa-efeito são identificadas, equipes tomam ação para prevenir defeitos de processo de acontecerem novamente.

Todo este progresso finalmente nos leva ao nosso amanhã e o futuro de nosso planeta. À medida que o uso de gêmeos digitais expande em linha com a aplicação de analytics de dados e ML, todo fabricante se torna uma fábrica orientada a dados, focada em detecção de anomalia cada vez mais precisa. Neste ponto, fabricantes podem trabalhar mais agudamente com consumo de energia otimizado para o bem de todos nós.

Produtividade de planta estará sempre na frente da mente e como o futuro é inegavelmente orientado a dados, este é um caminho que devemos logicamente tomar. Como resultado, seremos capazes de colocar produtos no mercado que entreguem não apenas melhor performance, mas também funcionem melhor e durem mais. Que impacto isso tem no mercado de bens descartáveis baratos — onde qualidade é ajustada para 'expirar' após um dado período de tempo — é outra questão para outro dia.

A forma como manufaturamos bens e serviços relacionados pode agora ser melhorada através de detecção de anomalia e o motor de poder correspondente que obtém de analytics de dados e inteligência. Se isso não é desculpa para tirar nossos macacões e sentar para um chá, então nada é.