O setor de manufatura é conhecido pelos grandes conjuntos de dados que produz. Esses conjuntos de dados incluem dados estruturados e não estruturados dos processos de produção e, durante muito tempo, não foram coletados até o advento do setor 4.0.
Os avanços anteriores, como as metodologias de manufatura enxuta, aproveitaram os dados. Para implementar os processos enxutos, o fabricante teve de capturar dados relacionados à máquina e ao uso do estoque para reduzir o desperdício. Os conjuntos de dados coletados foram usados para calcular as métricas de utilização da máquina, como a eficácia geral do equipamento (OEE), e para determinar o número de recursos disponíveis.
A aplicação de dados para implementar a manufatura enxuta reduziu drasticamente o desperdício de máquinas e operações individuais, mas não proporcionou uma visão abrangente de toda a instalação sobre o funcionamento da fábrica. O conceito de Indústria 4.0 pretende levar a otimização de equipamentos individuais para o próximo nível, otimizando as operações inter-relacionadas que definem a manufatura. Para isso, é necessário reunir conjuntos de dados de todos os aspectos de um ciclo de produção para otimizar a produtividade.
Capturando Big Data no chão de fábrica
O aproveitamento do Big Data para obter insights sobre os processos de fabricação começa com a captura de dados. Primeiro, a coleta de dados de máquinas equipadas com tecnologias de comunicação modernas, como Wi-Fi, é diferente da coleta de dados de equipamentos antigos com tecnologia analógica. Os equipamentos modernos podem ser conectados a redes para transferir dados para a nuvem ou para uma plataforma centralizada de agregação de dados, enquanto que nos sistemas legados os dados devem ser extraídos e transferidos para a plataforma centralizada.
Atualmente, os dispositivos inteligentes criados para o setor industrial podem ser conectados às E/S analógicas ou às portas dos sistemas antigos para capturar dados. Os desafios com a captura de dados de equipamentos antigos não são os únicos problemas que os fabricantes enfrentam com a captura de dados de toda a instalação. Tradicionalmente, os dados referentes ao ambiente do chão de fábrica, como temperatura, layout das instalações e dados referentes aos sistemas de manuseio de materiais, são classificados como dados não estruturados e difíceis de capturar.
A IoT agora capacita os fabricantes com a capacidade de capturar dados não estruturados do chão de fábrica. A IoT também permite a captura e o fluxo de dados em tempo real no chão de fábrica para fornecer às tecnologias de transformação digital os dados necessários para analisar as operações do chão de fábrica.
Casos de uso de Big Data na manufatura
Aproveitar os conjuntos de dados capturados é o próximo degrau na escada, uma vez que o fabricante tenha implementado com sucesso um processo de coleta de dados do chão de fábrica. Os casos de uso para aproveitar o big data incluem:
1. Manutenção preditiva
Atualmente, o caso de uso mais popular para conjuntos de dados históricos é a otimização das estratégias de manutenção e a redução do tempo de inatividade por meio do planejamento preditivo. A manutenção preditiva envolve a captura de dados operacionais históricos dos ativos do chão de fábrica para determinar os padrões de avaria do ativo e de seus componentes.
Estratégias de manutenção preditiva bem-sucedidas reduzem em 75% o tempo de inatividade não planejado causado por equipamentos defeituosos. Um exemplo disso é a estratégia de manutenção preditiva da BASF, a maior empresa de fabricação de produtos químicos do mundo. Para eliminar seus desafios com o tempo de inatividade não planejado dos equipamentos, a empresa implementou uma estratégia de captura de dados usando soluções de IIoT da Schneider Electric para capturar dados de máquinas.
Aproveitando o big data, a empresa conseguiu capturar 100 variáveis de condição relacionadas à saúde de seus equipamentos em 63 de seus ativos de chão de fábrica. A análise dos dados capturados permitiu que a BASF reduzisse drasticamente o tempo de inatividade e aumentasse o ciclo de vida de suas máquinas.
2. Monitoramento de condições
Enquanto a manutenção preditiva monitora ativamente o desempenho da máquina por meio de ferramentas de coleta de dados, o monitoramento de condições tenta descobrir anomalias nas operações da fábrica em tempo real. A implantação da IIoT e de dispositivos inteligentes no chão de fábrica permite que os fabricantes capturem os dados necessários para impulsionar os aplicativos de monitoramento de condições. As ferramentas de transformação digital, como o gêmeo digital, aproveitam os conjuntos de dados coletados para criar representações virtuais das operações físicas da fábrica. O gêmeo digital é então usado para monitorar os processos operacionais no chão de fábrica.
O monitoramento em tempo real de turbinas eólicas para garantir o desempenho ideal e obter informações sobre as operações da turbina é um exemplo da aplicação do monitoramento de condições. O exemplo da Brüel and Kjær Vibro, uma empresa alemã e dinamarquesa de monitoramento de condições, destaca a importância do gerenciamento de ativos em tempo real. A empresa monitorou continuamente as operações da turbina usando centenas de sensores em todas as instalações de turbinas eólicas. Utilizando o monitoramento de condições, a empresa conseguiu evitar danos, identificar possíveis pontos de falha e obter informações sobre as operações da turbina para tomar decisões informadas.
3. Previsão de produção
Obter respostas corretas para as perguntas “e se” é a melhor maneira de determinar o número de recursos que um ciclo de produção exigirá para atender a uma demanda flutuante. As avaliações “e se” também ajudam os fabricantes a decidir como os recursos disponíveis devem ser atribuídos para atender aos prazos da demanda e melhorar a satisfação do cliente. A captura de dados de demanda e de dados relacionados à produção pode ajudar os fabricantes a fazer previsões de produção precisas.
Os dados de ciclos históricos de demanda fornecem a base para a previsão de demanda, enquanto os dados do chão de fábrica permitem avaliar os processos de produção para atender ao aumento da demanda.
Um exemplo é a confiança do sistema BAE, uma empresa de defesa, na tecnologia de simulação para analisar seus dados de produção. Prevendo o aumento da demanda, a empresa precisava desenvolver um cronograma otimizado e alocar adequadamente os recursos para cumprir os prazos de produção. Para isso, foi criado um modelo de simulação das operações de sua fábrica usando dados históricos. O modelo de simulação ajudou a BAE a responder a perguntas relacionadas à sua capacidade de produção e alocação de recursos. A BAE também desenvolveu um cronograma baseado em riscos para garantir que atendesse à demanda dos clientes com um rendimento de qualidade.
4. Melhorar a produtividade
Obter insights sobre a combinação de fatores que ajudaram um fabricante a atingir uma produtividade otimizada é a maneira mais segura de recriar processos otimizados. O aprimoramento efetivo da produtividade começa com a captura de dados da cadeia de suprimentos, dados de inventário, dados de utilização de máquinas e a vinculação de processos de trabalho otimizados a essas estatísticas. Os dados otimizados tornam-se dados de referência que podem ser recriados repetidamente.
A Fastenal, um fabricante de equipamentos originais, aproveitou os conjuntos de big data para desenvolver dados de benchmark para seus processos operacionais. Utilizando os benchmarks analisados, o OEM conseguiu economizar aproximadamente 100 horas desperdiçadas em operações desnecessárias a cada mês. O aproveitamento dos dados de benchmark permitiu que o OEM melhorasse sua produtividade e sua capacidade de atender com eficiência aos requisitos de demanda.
5. Implementação de modelos de negócios do setor 4.0
O objetivo daquarta revolução industrial é a fábrica inteligente, na qual o intercâmbio de dados é possível e a análise ocorre em tempo real para garantir que os ativos possam tomar decisões precisas sem intervenção humana. A captura de grandes conjuntos de dados do chão de fábrica para descobrir padrões que simplifiquem o processo de tomada de decisões para as máquinas é necessária para que você alcance o setor 4.0. Ao aproveitar o big data e o aprendizado de máquina, os equipamentos no chão de fábrica recebem o contexto histórico necessário para tomar ações específicas.
Conclusão
A concretização da fábrica inteligente do futuro exige recursos aprimorados de captura de dados e o aproveitamento de ferramentas como modelagem de simulação, o gêmeo digital e tecnologias de previsão para obter insights. Os casos de uso destacados aqui são apenas um subconjunto de algumas das maneiras pelas quais os dados podem ser utilizados para melhorar as operações de fabricação. Espera-se que os fabricantes ampliem continuamente os limites dos aplicativos, desenvolvendo maneiras mais inovadoras de usar o Big Data.