Utilização dos Dados na Indústria 4.0

 

Organizações industriais têm visto o volume de dados gerados no processo de produção, e posteriormente pelos próprios produtos que são fabricados, crescerem a cada dia em função da coleta de informações do ambiente, por meio de sensores que são incorporados afim de diagnosticar eventuais erros, as condições de operações atuais e manutenção preventiva e preditiva.

Por exemplo: um carro moderno é um verdadeiro computador sobre rodas, sendo que alguns modelos mais avançados possuem a função de direção assistida, ou seja, semiautônoma, executam funções de baliza e detecção de colisões, geram um volume tal informações a cada instante, que podem facilmente chegar no final de um dia na ordem de várias centenas de megabytes.

A questão é decidir se esses dados serão armazenados para posterior análise ou não. No caso de resposta positiva, exigiria a coleta, o processamento e envio dessas informações, para que possam ser agregadas de modo a permitir a identificação de padrões nos dados para eventuais detecções de anomalias.

Essas informações quando analisadas com avançados sistemas analíticos de Inteligência Artificial, permitem que insights sejam gerados e apoiem o processo decisório de maneira data-driven, fornecendo recomendações que uma vez implementadas conseguem proporcionar melhorias de processo, que além de aperfeiçoarem os resultados alcançados, proporcionam mais eficiência e redução de custos.

Ao contrário dos dados que permeiam a Internet, dados advindos de sistemas industriais tendem a ser estruturados, ou seja, seguem um regramento pré-estabelecido que permite seu tratamento sem muitas mudanças por sistemas analíticos avançados de forma facilitada. Com exceções para sistemas que, por exemplo, fazem uso de visão computacional e precisam lidar com dados oriundos de sensores que captam imagens de objetos reais e de pessoas, e que pela própria dinâmica caótica da realidade podem possuir grande variabilidade, apresentando formas complexas e irregulares.

3 V’s do Big Data aplicados à Indústria

O próprio conceito inicial adotado ao Big Data dos 3V’s se aplica aos dados gerados pelo maquinário utilizado em parques industriais modernos, visto que cada vez mais sensores e sistemas digitais embarcados com seus respectivos logs existem em toda sua diversidade. 

No alt text provided for this image

O primeiro componente dos 3V’s do Big Data na Indústria, é a respeito do volume, para designar o grande aumento da quantidade de dados que são gerados e que tem crescido de forma exponencial.

O segundo componente é a variabilidade, pois existem fontes de dados que são gerados por origens diversas e cada uma utilizando padrões próprios, o que aumenta em muitos momentos a dificuldade em tratar esses dados.

E por último o fator velocidade, onde máquinas em produção geram dados em tempo real que precisam ter um tratamento especial no seu acompanhamento, para que possa ocorrer o processamento apropriado para tirar valor dessas informações. 

No alt text provided for this image

Com a introdução dos sistemas digitais como CLP’s (Controladores Lógicos Programáveis) e sistemas SCADA (Sistemas Supervisórios de Controle e Aquisição de Dados) em indústrias para a mensuração e controle de processos industriais com seus vários sensores e atuadores que compõem o ecossistema de cadeia de valor, a expressão de que “os dados são o novo petróleo” começaram a fazer muito sentido. Na medida que passou a ser possível se ter uma série de indicadores que viabilizam a tomada de decisão melhor informada sobre a produção e todo o maquinário que a suporta, que será necessária para atender a demanda que também varia, devido a sazonalidade de várias regiões com seus respectivos mercados consumidores.

Assim como, cada vez mais os próprios produtos fabricados, quando dotados de sistemas embarcados digitais, como no exemplo acima citado de veículos que possuem um alto componente tecnológico, com sensores que captam informações na forma de registros com timestamp e que permitem inclusive o suporte remoto pelo fabricante para o diagnóstico de erros na forma de relatórios. 

Indústria 4.0 e o conceito de “Smart Factory”

O grande fator que viabilizou toda a chamada “Indústria 4.0” foi o custo acessível de tecnologias que antes eram restritas apenas para os grandes conglomerados industriais por seu alto custo.

O próprio avanço da tecnologia tem como característica, que uma vez coberto o seu custo de P&D (Pesquisa & Desenvolvimento), e dado o aumento de escala de sua adoção, que ocorra um barateamento de seu custo unitário que acaba por permitir a massificação de sua utilização.

No alt text provided for this image

Mais recentemente, houve o surgimento do conceito de “Smart Factory”, que designa justamente o uso dos dados para o gerenciamento de toda a cadeia de valor, fazendo uso da interoperabilidade e integração de diferentes sistemas, IIoT, visão computacional e Inteligência Artificial, de forma otimizada a maximizar os resultados da unidade fabril, com maior visibilidade da operação para a tomada de decisão em tempo quase real, contemplando toda a cadeia de suprimentos e a logística necessária para atender os pedidos que entram em produção.

A disponibilidade de verdadeiros “cockpits” de tomada de decisões por meio de sistemas na nuvem, onde por meio do acesso web se pode ter acesso a painéis com dashboards contendo informações sobre diversos indicadores da indústria, permitem um ganho de agilidade incrível nas operações industriais de modo as adaptar às mudanças que se apresentam em toda sua complexidade.

No alt text provided for this image

Dentro de uma “Smart Factory”, cada nova ordem de pedido a entrar em produção exige que toda a cadeia de eventos seja reprocessado, de forma a adequar e sincronizar todas as etapas da cadeia de suprimentos para atender a nova demanda no tempo esperado.

Em outras palavras, significa que “lotes” de pedidos ao entrarem em produção, cada qual com características próprias de customização, acionam um processo integrado de diferentes sistemas responsáveis pelo planejamento dos processos e agendamento, que são o ERP (Enterprise Resource Planning) e o MES (Manufacturing Execution Systems), provendo os recursos necessários para atender de forma adaptativa e dinâmica as ordens de pedido em fila para serem executadas no menor tempo possível e buscando sempre otimizar a alocação dos recursos para maximizar os resultados.

Governança de Dados na Indústria

E nessa complexa cadeia de eventos que são interdependentes, cada qual com seu grau de importância e de dependências, um erro em alguma etapa de um processo, tem o potencial de ocasionar grandes transtornos operacionais.

Por isso que, para tudo funcionar da forma integrada, os diferentes sistemas devem ter os dados necessários validados, para que não ocorram erros durante a execução de uma ordem de pedido a entrar em produção, o que levaria à uma paralisação com o atraso de toda a produção, e acarretaria prejuízos para a organização.

No alt text provided for this image

Assim, o correto tratamento de todas essas informações em toda sua variabilidade e complexidade, com a criação de políticas de Governança de Dados, fazendo uso da padronização das técnicas de Data Quality e da formatação dos dados, é algo mandatório para que essas informações possam ser consideradas consistentes para servirem de insumo tanto para o processo fabril, quanto para o processo decisório e se possa extrair valor delas em insights acionáveis.

Por exemplo, em processos industriais críticos, onde a eventual falha pode produzir resultados catastróficos, a segurança e a confiabilidade dos dados obtidos por telemetria são fatores determinantes para a operação adequada e dentro das normas seguras de operação.

Assim, poder identificar eventuais riscos de maneira preventiva, fazendo uso da manutenção preditiva por meio dos dados, é vital para o sucesso da organização. Pois, além de permitir a gestão dos riscos de maneira da melhor forma possível, evita a potencial perda de vidas por eventual falta de manutenção.

Decisões Data-driven como diferencial competitivo

Segundo artigo da Harvard Business Review dos autores (McAfee, A. e Brynjolfsson, E.; 2012) sobre o tema “Big Data: The Management Revolution”, mostrou que empresas que se classificavam como data-driven performaram melhor em termos de resultados operacionais e financeiros, sendo respectivamente 5% mais produtivas e 6% mais lucrativas que suas concorrentes.

O mesmo artigo ainda cita de forma interessante que o papel de pessoas mais sêniores, que detêm o conhecimento sobre o negócio tende a mudar, passando a ser mais voltado para quais perguntas a se fazer, para que os dados possam ser utilizados e mostrar as respostas mais adequadas, por meio de insights acionáveis.

Além disso, dados são essenciais como insumos nos processos colaborativos de geração de ideias e de prototipação de novos produtos nos ciclos de experimentação de indústrias, que utilizam os dados como ativos intangíveis na cadeia de valor da organização para obter resultados escaláveis.

No alt text provided for this image

O avanço da presença de sistemas móveis de celular e de pontos de acesso/roteadores Wifi em ambientes industriais também tem colaborado para a massificação do uso dos dados como elemento diferenciador competitivo das operações industriais. Em um complexo ecossistema que se retroalimenta, e que por prover um grau superior de consciência informacional, permite uma maior visibilidade de toda as operações, possibilita maior agilidade nas decisões e responsividade nas ações a serem executadas, reduzindo o chamado time to value, ou seja, o tempo necessário para a geração de valor, mesmo em ambientes complexos de negócio.

O desafio de obter insights acionáveis dos fluxos de dados gerados por todos os componentes de IIoT (Industrial Internet of Things), dos vários devices na ponta que capturam dados por meio de sensores, é um dos fatores diferenciados de performance no tempo, sendo de fundamental importância o uso de avançados sistemas analíticos de Inteligência Artificial dentro de um ambiente seguro de Cloud Computing, para uma vez coletadas todas as informações, processar e por meio de análises, identificar padrões nos dados afim de gerar recomendações para o negócio.



Artigo escrito pelo consultor Renato Azevedo Sant Anna.

Referências aqui.

Deixe um comentário

O seu endereço de e-mail não será publicado. Campos obrigatórios são marcados com *