TIBCO sobre a fabricação dentro da nova economia anômala

O diretor de estratégia de digitalização da TIBCO, Alessandro Chimera, discute a forma como os fabricantes usar dados, IA e automação para monitorar sistemas
A forma como usamos os dados para monitorar e controlar os sistemas de manufatura mudou. TIBCO diretor de estratégia de digitalização da Alessandro Chimera veste seu macacão eletrônico e recarrega sua pistola de graxa digital para explicar a forma da economia de anomalias que orienta o gerenciamento de desempenho operacional e discute tudo, desde gêmeos digitais a IA, automação a supervisão humana.



Algumas partes da indústria manufatureira ainda existem como existiam na virada dos anos 1900. Ainda precisamos da graxa, engrenagens e retificadoras ao lado dos macacões e das pausas para o chá. Esses fundamentos provavelmente perdurarão no futuro autônomo automatizado, porque os humanos sempre desempenharão um papel na narrativa fundamental mais ampla que opera qualquer instalação de fabricação.

Mas, é claro, sabemos que a fabricação mudou. Ao longo da primeira, segunda e agora terceira revoluções industriais, vimos aceleração movida a vapor, mecanização e, agora, automação orientada por TI aplicada às operações de fabricação de maneiras que nossos antecessores nunca imaginaram ser possíveis.

À medida que entramos na fábrica hipercontrolada de amanhã com gêmeos digitais e dados agora juntando nossas máquinas físicas e trabalhadores humanos, devemos nos perguntar como devemos abordar a detecção de anomalias. É bastante fácil identificar uma queda ou um pico em um gráfico que relata uma medição significativa, mas o que fazemos quando há uma degradação lenta da qualidade ou do desempenho que ocorre ao longo de um mês, ou talvez mais?

Supervisão humana cega

As instalações de fabricação modernas agora operam em uma escala de produção em massa que supera a capacidade de qualquer pessoa (ou mesmo grupo) de estar em todos os pontos do chão de fábrica ao mesmo tempo. Nesses ambientes, não podemos confiar na observação humana para nos fornecer o quadro completo de que precisamos. Nas instalações modernas de hoje, raramente há apenas uma variável para rastrear, é mais provável que sejam centenas ou milhares de variáveis.

Se uma anomalia de produção "se infiltrar" lentamente em nossas operações, pode passar despercebida até que seja tarde demais e não possamos fazer nada a respeito. Precisamos falar sobre novas formas de trabalhar.

Uma agulha em um palheiro de dados de fabricação

Sabemos que os conjuntos de dados industriais são muito grandes e extremamente complexos. Detectar e prever anomalias é, portanto, mais difícil do que procurar uma agulha no palheiro, pois muitas vezes 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.

Muitos fabricantes sabem que possuem grandes conjuntos de dados, mas com muita frequência esses armazenamentos de dados são isolados e espalhados por vários sistemas. Essa dispersão e divergência de dados dificulta o entendimento quando uma anomalia está relacionada a vários 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 apresentaram problemas operacionais ou de funcionalidade. De qualquer forma, a primeira etapa é unificar todas as suas fontes de dados.

Hoje trabalhamos em um mundo onde a análise está se tornando uma parte fundamental das fábricas modernas; uma tendência sublinhada pelo desenvolvimento de gêmeos digitais, onde precisamos aplicar análises precisas, rápidas e inteligentes para obter a visão preditiva que essas máquinas virtuais podem fornecer.

Uma vez que os dados estejam disponíveis e possam ser acessados, a análise avançada está lá para começar a analisar o que procurar. As técnicas modernas de ciência de dados estão nos ajudando a descobrir anomalias ocultas que não são imediatamente compreendidas devido ao enorme número de parâmetros que podem influenciar a qualidade do produto.

Aprendizado de máquina e anomalias de olheiros de IA

Isso nos traz até hoje. Estamos agora em um ponto em que o aprendizado de máquina (ML) e a inteligência artificial (IA) também estão entrando no processo de produção.

Alguns fabricantes usaram inicialmente o ML para entender suas iniciativas de marketing, segmentar clientes e desencadear ações específicas. Mas nos 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 os dados. Um autoencoder é uma técnica de inteligência de rede neural artificial usada em ML. Ele é usado para codificar e aprender recursos de conjuntos de dados não rotulados no que comumente chamamos de aprendizado não supervisionado.

Nosso futuro de fabricação eficiente em tempo real

Ao aplicar 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 em que agora podemos passar da reação a uma anomalia para a previsão da anomalia com o benefício de obter reduções substanciais de custos operacionais. Reduzimos os custos como resultado direto da redução das taxas de defeitos e refugos e da prevenção de paradas não planejadas de equipamentos.

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

Ao introduzir alertas quase em tempo real para processos de fabricação individuais, os funcionários agora podem comparar automaticamente os principais parâmetros com limites predefinidos, regras estatísticas e padrões ideais descobertos por meio de aprendizado de máquina e métodos de IA. O HSC recebe alertas gerados automaticamente assim que um processo fica fora das faixas de parâmetros aceitáveis, notificando o pessoal de fabricação de que algo requer sua atenção. O pessoal pode então acessar prontamente os dados para ver com precisão qual variável pode ter causado o problema. Uma vez que essas relações de causa e efeito são identificadas, as equipes agem para evitar que defeitos de processo aconteçam novamente.

Todo esse progresso nos leva ao nosso amanhã e ao futuro do nosso planeta. À medida que o uso de gêmeos digitais se expande de acordo com a aplicação de análise de dados e ML, todo fabricante se torna uma fábrica orientada a dados, focada na detecção de anomalias cada vez mais precisa. Neste ponto, os fabricantes podem trabalhar mais intensamente com consumo de energia otimizado para o bem de todos nós.

A produtividade da planta sempre estará em mente e como o futuro é inegavelmente orientado por dados, esse é um caminho que devemos seguir logicamente. Como resultado, poderemos colocar no mercado produtos que oferecem não apenas melhor desempenho, mas também funcionam melhor e duram mais. Que impacto isso tem no mercado de produtos descartáveis ​​baratos – onde a qualidade é ajustada para “expirar” após um determinado período de tempo – é outra questão para outro dia.

A maneira como fabricamos bens e serviços relacionados agora pode ser aprimorada por meio da detecção de anomalias e da potência do motor correspondente que obtém da análise e inteligência de dados. Se isso não é uma desculpa para tirar o macacão e sentar para uma pausa para o chá, então nada é.