De acordo com a National Association of Manufacturers, para cada dólar gasto em manufatura, aproximadamente US$ 3 são adicionados à economia. A influência econômica do setor de manufatura justifica a necessidade de otimizar continuamente os processos industriais para alcançar o crescimento, e o setor aceitou o desafio.
As estatísticas mostram que o setor de manufatura se tornou um dos maiores adotantes de soluções de transformação digital para impulsionar o crescimento. A adoção de ferramentas de transformação digital, como a modelagem de simulação de eventos discretos, desempenhou um papel importante na melhoria dos resultados de fabricação por meio de análise precisa de dados, programação baseada em riscos e planejamento. No entanto, o setor 4.0 promete mais em termos de automatização da tomada de decisões e redução da carga de trabalho de técnicos e analistas em todo o setor – aqui, as redes neurais artificiais têm um papel crucial a desempenhar.
Melhorando o desempenho dos sistemas de máquinas
A compreensão dos processos de utilização da máquina tornou-se a base para o desenvolvimento de estratégias de manutenção preditiva e para a definição do desempenho da máquina. Com esse conhecimento, os fabricantes podem desenvolver sistemas para otimizar o desempenho futuro das máquinas para aumentar a produtividade e eliminar o tempo de inatividade.
A ANN pode expandir os recursos dos modelos de simulação para prever as propriedades mecânicas do equipamento usado no chão de fábrica. Um exemplo é a previsão das propriedades mecânicas de um processo de soldagem por fricção (FSW). O processo FSW envolve o uso de uma ferramenta rotativa não consumível que mergulha em uma peça de trabalho para produzir o calor necessário para soldar uma junta. Os conjuntos de dados ou parâmetros que definem o processo FSW são a velocidade de deslocamento da ferramenta, a velocidade de rotação da ferramenta e o tamanho do grão e a densidade de deslocamento do material soldado.
A otimização do processo FSW e da qualidade de suas soldas requer um amplo controle das propriedades mecânicas associadas ao uso de uma máquina FSW. Portanto, é necessário entender a relação entre as diferentes variáveis associadas ao processo FSW e a qualidade da solda que ele produz. A RNA fornece um meio de prever o comportamento mecânico de juntas e processos FSW quando os dados ou parâmetros necessários são inseridos na rede neural. Neste exemplo, um modelo de simulação do FSW foi desenvolvido usando uma rede neural. Os dados históricos usados para treinar a rede neural incluíram rotação da ferramenta, velocidade de deslocamento, valores de resistência à tração, direção de soldagem etc.
A rede neural foi capaz de prever, com precisão significativa, as propriedades mecânicas do processo FSW e a resistência das juntas soldadas sob condições operacionais específicas. Assim, os fabricantes podem determinar os resultados dos ciclos FSW para desenvolver novas técnicas operacionais para melhorar a produtividade.
Aprimoramento dos processos de tomada de decisão em toda a instalação
A aplicação da RNA no setor de manufatura não se limita à otimização do desempenho das máquinas. Um aspecto importante de sua aplicação é o aprimoramento dos processos de tomada de decisão associados às operações em toda a instalação. Exemplos dessas operações incluem a escolha ideal entre linhas de produção com várias estações de trabalho ou a avaliação dos efeitos baseados no custo e no tempo de diversas variáveis de produção em um ciclo de produção.
Por exemplo, um fabricante interessado em substituir os sistemas convencionais de manuseio de materiais por uma infraestrutura automatizada deve determinar a melhor opção para os requisitos específicos de uma instalação. Os fatores que influenciam a funcionalidade do processo de manuseio de materiais incluem o status das estações de trabalho de entrega, o layout da fábrica, a velocidade dos sistemas alternativos de manuseio automatizado de materiais, bem como a capacidade de navegação das opções propostas.
Embora um modelo convencional de simulação de eventos discretos possa ajudar, saber como considerar todos os fatores acima e construir a regra para selecionar o melhor sistema automatizado é um processo difícil e demorado. A integração da RNA aos modelos de simulação substitui a necessidade de construir as regras que capturam a complexidade das operações de fabricação. A rede neural é então continuamente treinada usando dados simulados para melhorar seus níveis de precisão na tomada de decisões. A utilização de uma RNA garante que o processo de construção de uma lógica complexa baseada em regras seja substituído por um sistema mais preciso que otimiza as operações de fabricação e a tomada de decisões.
Conclusão
A RNA simplifica o processo de tomada de decisão no nível da máquina, do processo e da instalação no chão de fábrica. As redes neurais aumentam a precisão das avaliações e dos recursos analíticos de uma simulação e de um modelo gêmeo digital. A capacidade de treinar constantemente as redes neurais usando dados de treinamento sintéticos garante que os algoritmos ANN sejam capazes de se adaptar a diversas situações, assim como o cérebro humano.