Otimizando processos com Machine Learning na Manufatura
A indústria 4.0 vem permitindo que empresas de manufatura atinjam seus objetivos com muito sucesso. Num ambiente onde inúmeros sensores estão conectados e enviando informações em tempo real, a Internet das Coisas Industrial tem contribuido para que novas oportunidades sejam incorporadas no chão de fábrica — veja mais em IoT na Indústria. Uma das principais tecnologias que estão embarcadas nessa onda são a Inteligência Artificial (IA) e o Aprendizado de Máquina (Machine Learning — ML). O acesso aos dados da produção tornou-se um recurso extremamente importante e está barato capturar e armazenar essas informações. Através do uso de algoritmos de IA, especialmente ML, fabricantes podem melhorar a eficiência da linha, qualidade do produto e também a segurança dos funcionários.
A manutenção do processo representa uma grande fatia do custo de operação. Prever o comportamento de uma máquina tornou-se um recurso comum entre fabricantes para reduzir esse tipo de gasto. Algumas empresas implementam a manutenção preventiva através do sistema supervisório SCADA, onde configurações e regras estáticas de alerta são feitas pelo homem. Este procedimento manual, na grande maioria das vezes, não considera comportamentos complexos das máquinas ou da característica do processo como um todo. Dessa forma, alertas são disparados erroneamente com falsos-positivo ou não acusa falhas reais.
É exatamente nesse ponto onde as técnicas de ML entram: substituir as regras estáticas e prever comportamentos complexos das máquinas. Os algoritmos de aprendizado de máquina usam dados do shopfloor como sensores, supervisórios, scanners e também dos dados de produção fornecidos pelo ERP, MES e qualidade. Em ML, o processo conhecido como “treinamento”, permite que o algoritmo detecte anomalias e forneça correlação entre dados, buscando e sugerindo padrões no processo fabril. A capacidade de analisar elevada massa de dados em tempo real é um dos principais fatores para o uso de técnicas de aprendizado de máquina, dado que respostas surgem rapidamente. A saúde e o comportamento dos recursos da produção são constantemente analisados e a previsão de falha permite reduzir tempo de parada e desperdícios. No entanto, prever paradas não é a única vantagem das técnicas de aprendizado, a qualidade do produto e as taxas de falhas também.
Há dois tipos de técnicas usadas em ML: Supervisionada e Não Supervisionada
Aprendizado de Máquina Supervisionado
É a técnica mais comum e consiste no princípio básico: têm-se os dados de entrada, têm-se os dados de saída e deseja-se mapear a função que conecta as duas variáveis. Como característica, ela demanda elevado nível de interação com o homem pois exige treinamento, definição de algoritmos, ajuste de dados, criação de mapas de visualização etc. Ela consiste em mapear a equação que permitirá prever a saída a partir das novas variáveis de entrada do sistema. Na área de manufatura, o principal caso envolvendo aprendizado de máquina é a manutenção preditiva e pode ser feito usando-se dois tipos de técnicas supervisionadas: Regressão e Classificação.
Regressão
É frequentemente utilizada quando os dados possuem grandezas conhecidas e variam dentro de uma faixa específica, como por exemplo temperatura, peso, velocidade. Normalmente são dados de sensores e de máquinas. Na manufatura, a técnica de regressão é usada para estimar a vida útil da máquina, fazendo previsão de quantos ciclos restam até a máquina ou ferramenta falhar. O algoritmo mais usado é a regressão linear por ser simples, rápida e gerar um resultado fácil de interpretar. Um exemplo disso são dados de temperatura extraídos de sensores numa máquina de usinagem, conforme o desgaste da ferramenta cresce, algumas propriedades como a temperatura do material podem aumentar. Através da técnica de regressão, pode-se prever em que momento a ferramenta vai quebrar.
Classificação
Algoritmos de classificação são usados quando os resultados são discretos, ou seja, possuem rótulos ou nomes definidos. São utilizados em casos onde os resultados apresentam número finito de possíveis saídas. Um exemplo tradicional é determinar se um e-mail é spam ou não, caindo no caso de classificação binária, ou seja, apenas dois resultados possíveis. Essa técnica pode ser usada em sistema de visão para validar a qualidade de um produto.
Aprendizado de Máquina Não-Supervisionado
Ao contrário do aprendizado supervisionado, essa técnica parte do princípio que não se têm resultados e busca-se encontrar conjuntos relacionais entre os dados. Estes também não precisam ser conhecidos, ou seja, sem rotulagem. A técnica de clustering agrupa dados que possuem características semelhantes e permite que o algoritmo extraia padrões subjacentes. Como consequência, a técnica permite a remoção de dados irrelevantes no contexto, tornando os resultados imunes a ruído.
A técnica de Rede Neural Artificial (RNA) tem se mostrado muito eficiente, principalmente no ambiente de simulação e na análise preditiva de qualidade. A estrutura básica de uma RNA é baseada na estrutura de neurônios do homem, permitindo milhares de combinações entre os dados e resolução de problemas de alta complexidade. Essa habilidade em processar elevado número de parâmetros através de múltiplas camadas faz da RNA uma alternativa muito rica para análise de processos industriais. A técnica apresenta alto grau de precisão nas previsões e, após propriamente treinada, permite a redução de custos no uso de materiais.
Importância dos Dados
As técnicas de ML e IA dependem da preparação de dados. É essencial entender o tipo e a qualidade das informações obtidas do processo para garantir resultados precisos. No caso da manutenção preditiva, por exemplo, focamos nos eventos de falha. Assim, faz muito sentido coletar dados históricos das máquinas e das manutenções para alimentarem o algoritmo. Considerando que a realidade operacional das máquinas duram anos, ter dados históricos de longa data permite até prever o desgaste da máquina ao longo do tempo.
Algumas questões importantes devem ser respondidas para definir o tipo de informação buscada:
- Quais os tipos de falhas que podem ocorrer com a máquina/ferramenta/sistema?
- Quais os tipos de falhas estamos interessados em prever?
- Quais componentes estão associados à essa falha?
- Quais os principais parâmetros que representam a saúde da máquina?
- Qual a precisão e frequência desejamo
Exemplos de Projetos em Manufatura
- Melhoraria do rendimento do processo: O OEE é a métrica usada no chão de fábrica que combina disponibilidade, performance e qualidade, definindo a eficiência da produção. Combinado com outras métricas, é possível encontrar os fatores que impactam na performance da produção. A inserção e uso das técnicas de ML permite a criação de modelos de operação que permitem otimizar o processo e também responder a mudanças rapidamente.
- Otimizar gerenciamento de suprimentos: Essa é uma das áreas com maiores possibilidades do uso das técnicas de Machine Learning. Muito pode ser feito para melhorar a rastreabilidade, previsão de fornecimento de materiais e otimização do estoque de produtos. De acordo com a McKinsey, o uso dessas ferramentas permitirá redução em 50% no erro de previsão de fornecimento além de 65% das vendas não feitas através do melhor controle de disponibilidade do produto.
As fábricas inteligentes podem ser caracterizadas por terem foco em operações de alto desempenho usando a tecnologia para unir o mundo físico e o virtual através de informações e análise de dados. Esta evolução tem ocorrido por todos os segmentos industriais, permitindo que se torne possível a possibilidade de determinar novas soluções e estratégias de negócios. A introdução da Inteligência Artificial e do Machine Learning na indústria é um divisor de águas com vantagens que não somente trazem melhorias na eficiência, mas também abre portas pra novas oportunidades.
Fontes:
McKinsey: https://www.mckinsey.de/files/170419_mckinsey_ki_final_m.pdf