Quatro maneiras que as empresas estão usando machine learning para reinventar processos industriais

 

Por Swami Sivasubramanian

A revolução industrial trouxe inúmeras invenções e novos produtos como em nenhuma época da história humana. Enquanto reverenciamos o tear, o motor a vapor, a eletricidade ou a produção em massa pioneira pelo Ford Model T, muitas vezes ignoramos os mecanismos e processos inspirados que tornaram esses produtos incríveis possíveis. Considere a humilde inovação encontrada dentro de práticas de fabricação onipresentes, como manutenção de equipamentos, garantia de qualidade e otimização da cadeia de suprimentos. Essas invenções são tão críticas para os processos industriais e de fabricação hoje como eram há mais de um século, mas fazê-las com sucesso na escala e complexidade exigidas no mercado global atual é desafiador. Graças à convergência de dados e machine learning, essas práticas duradouras da manufatura industrial agora estão prontas para serem reinventadas.

Todos os dias, empresas estão gerando enormes quantidades de dados no edge, armazenando essas informações na nuvem e usando esses ativos para repensar praticamente todos os seus processos. Para obter mais insights de seus dados e, finalmente, tomar decisões mais rápidas e bem informadas, companhias de manufatura, energia, mineração, transporte e agricultura estão aproveitando novos tipos de tecnologia de maquinário para melhorar as cargas de trabalho industriais como engenharia e design, otimização de produção e ativos, gerenciamento da cadeia de suprimentos, previsão, gestão da qualidade, produtos e máquinas inteligentes e muito mais.

Da eficiência operacional para além do controle de qualidade, aqui estão quatro maneiras fundamentais que as empresas estão usando machine learning para repensar processos industriais:

Manutenção Preditiva de Equipamentos

Um desafio comum, mas significativo, que muitas indústrias e manufaturas enfrentam atualmente, é a manutenção contínua de seus equipamentos. Historicamente, a maioria da manutenção dos equipamentos tem sido reativa (após um defeito na máquina) ou preventiva (realizada em intervalos regulares para ajudar a evitar a quebra de máquinas), práticas custosas e ineficientes. A melhor solução, a manutenção preditiva, dá às empresas a capacidade de prever quando os equipamentos precisarão de manutenção. No entanto, boa parte das companhias não tem a equipe e a expertise necessárias para construir sua própria solução.

Felizmente, para empresas como a GE Power – fornecedora líder de equipamentos, soluções e serviços de geração de energia –, a manutenção preditiva está finalmente ao alcance. Agora existem sistemas de ponta a ponta que usam sensores e machine learning para detectar e alertar empresas de flutuações anormais em vibração ou temperatura de máquinas, sem a necessidade de conhecimento prévio em machine learning ou em nuvem. Esse tipo de tecnologia ajudou a GE Power a readequar rapidamente os ativos com sensores e conectá-los a análises em tempo real na nuvem, passando de práticas de manutenção periódicas para práticas de manutenção preditivas e prescritivas. À medida que eles escalam, a GE Power pode usar esses sistemas para atualizar remotamente e manter sua frota de sensores, sem nunca ter que tocá-los fisicamente.

Detecção de anomalias alimentada por visão computacional

Tão importante quanto garantir que o equipamento esteja funcionando corretamente é garantir a qualidade dos produtos feitos pelo equipamento. A inspeção visual dos processos industriais normalmente requer exame humano, o que pode ser tedioso e inconsistente. Para melhorar o controle de qualidade, empresas industriais estão contando com a visão computacional para fornecer maior velocidade e precisão na identificação de defeitos de forma estável. Mais uma vez, barreiras complexas impediram que empresas construíssem, implantassem e gerenciassem seus próprios sistemas de anomalia visual alimentados por machine learning. Agora, elas podem usar soluções de alta precisão e baixo custo capazes de processar milhares de imagens por hora e, em seguida, relatar os registros que diferem da linha de base para que medidas apropriadas possam ser tomadas.

Um exemplo é a Dafgards, um fabricante de alimentos artesanais na Suécia. Eles usam visão computacional na produção de sua marca Billy's Pan Pizza, uma pizza de micro-ondas assada e embalada a uma velocidade de 2 pizzas por segundo. Embora tivessem instalado anteriormente um sistema de visão de máquina para detectar a cobertura adequada de queijo em suas pizzas, ele não detectou defeitos em pizzas com sabores variados. Ao usar um novo serviço de machine learning que aproveita a visão computacional, foi possível escalar de forma fácil e econômica sua capacidade de inspeção. O empreendimento foi tão bem sucedido que a Dafgards expandiu o uso da visão computacional para diversas variedades de pizza, bem como outras linhas de produtos como hambúrgueres e quiches.

Melhoria de eficiência operacional

Muitas indústrias e manufaturas buscam aplicar visão computacional para otimizar a eficiência e melhorar as operações. Atualmente, essas empresas revisam manualmente os feeds de vídeo em suas localidades para autenticar o acesso a instalações, inspecionar embarques e detectar derramamentos ou outras condições perigosas. Mas fazer isso em tempo real não é apenas uma tarefa difícil, mas propensa a erros e custosa. Ainda que as empresas possam procurar atualizar as câmeras existentes do protocolo de internet (IP) para câmeras inteligentes que têm poder de processamento suficiente para executar modelos de visão computacional, isso pode ser caro e desafiador, mesmo com equipamentos inteligentes de baixa latência e boa precisão. Em vez disso, empresas industriais podem usar aparelhos de hardware que lhes permitem adicionar visão computacional às câmeras existentes no local, ou mesmo usar kits de desenvolvimento de software para construir novas câmeras que possam executar modelos significativos de visão computacional no edge.

A empresa de energia BP quer implantar visão computacional em suas 18 mil estações de serviço em todo o mundo. Eles estão trabalhando para aproveitar a visão computacional para automatizar a entrada e saída de caminhões de combustível para suas instalações e para verificar se a ordem correta foi cumprida. E a visão computacional pode ajudar a alertar os trabalhadores se houver risco de colisão, identificar um objeto estranho em uma zona de exclusão dinâmica e detectar quaisquer vazamentos de óleo.

Previsão para Otimização da Cadeia de Suprimentos

As modernas cadeias de suprimentos de hoje são redes globais complexas formadas por fabricantes, fornecedores, logística e varejistas que exigem métodos sofisticados de detecção e adaptação à demanda do cliente, flutuações na disponibilidade de matérias-primas e fatores externos, como feriados, eventos e até mesmo o clima. As repercussões de não prognosticar essas variáveis corretamente podem ser caras, resultando em excesso ou sub provisionamento, levando a investimentos desperdiçados ou experiências ruins aos clientes. Para ajudar a prever o futuro, as empresas estão usando machine learning para analisar dados de séries temporais e fornecer previsões precisas que os ajudem a reduzir despesas operacionais e ineficiências, garantir maior disponibilidade de recursos e produtos, entregar produtos mais rapidamente e reduzir custos.

Machine learning ajudou a Foxconn, maior fornecedora de soluções de tecnologia e fabricante de eletrônicos do mundo com sede em Taiwan, quando enfrentou uma volatilidade sem precedentes na demanda, suprimentos e capacidade dos clientes como resultado da pandemia de Covid-19. A empresa desenvolveu um modelo de previsão de demanda para sua fábrica no México para gerar previsões precisas de pedidos líquidos. Usando o modelo de machine learning, eles foram capazes de aumentar a precisão de previsão em 8%, uma economia anual projetada de US $553.000 por instalação, ao mesmo tempo em que minimizam o trabalho desperdiçado e maximizam a satisfação do cliente.

Para corresponder ao potencial que o machine learning pode fornecer para ambientes industriais, produtos manufaturados, bem como operações logísticas e da cadeia de suprimentos, as organizações estão cada vez mais buscando esta solução para tornar os processos mais simples, rápidos e precisos. Usando uma combinação de análise de dados em tempo real na nuvem e machine learning no edge, as indústrias estão constantemente transformando suas aspirações em realidades e estimulando a próxima revolução industrial.

 

Swami Sivasubramanian é vice-presidente da AWS responsável por todos os serviços de Inteligência Artificial e Machine Learning (AI/ML) da Amazon.

Isadora Vieira 55 (11) 5501-4655 rpmacomunicacao.com.br