2. InteligênciaArtificial
É a inteligência similar à humana
exibida por um hardware ou
software.
O termo foi criado por John
MacCarthy e ele a definiu como
sendo “a ciência e engenharia de
produzir máquinas inteligentes”.
3. MachineLearning
“Campo de estudo que dá aos
computadores a habilidade
de aprender sem serem
explicitamente programados”
Arthur Samuel - 1959
Explora o estudo e construção
de algoritmos que podem
aprender de seus erros e fazer
previsões sobre dados.
4. ComputaçãoCognitiva
Sistemas cognitivos entedem
expressões humanas:
textual, verbal, visual, por
raciocínio sobre a intenção real ou
problema que está sendo
abordado.
Eles aprendem a reconhecer
padrões de significado através de
exemplos e feedbacks,
interagindo com os seres
humanos em seus próprios
5. Internetof Things-IoT
A Internet das coisas é um estado
onde as coisas se conectam à
Internet e começam a falar umas
com as outras.
As coisas aqui podem ser objetos
eletrônicos, elétricos, mecânicos, ou
eletro-mecânicos.
Os dados enviados pelas coisas são
analisados e novas idéias e modelos
de negócio podem surgir desta
análise.
6. A Revolução da Internet Industrial
6
Primeirotearmecânico,1784
Primeira
RevoluçãoIndustrial
Introdução de equipamentos de produção
mecânica impulsionado por água e vapor
de energia.
1800 1900 2000
Primeira esteiratransportadora,
matadourodeCincinnati,1870
Primeirocontroladorlógico
programável (PLC)Modicon084,
1969
HOJE
Terceira
RevoluçãoIndustrial
Uso de eletrônicos e de TI para
automatizar ainda mais a produção.
Segunda
RevoluçãoIndustrial
Produção em massa alcançada pela
divisão do conceito trabalhista e pelo uso
de Energia.
Quarta
RevoluçãoIndustrial
Baseado no uso de sistemas Cyber-físicos
Grau de
Complexidade
Primeira
Segunda
Terceira
Quarta
Dados, Código, Cognição … Industria 4.0
7. Industrial Internet ofThings
A Internet Industrial das Coisas, ou IIoT, é o uso da Internet das
coisas para melhorar a fabricação e processos industriais.
Também conhecido como Internet Industrial ou Indústria 4.0.
IIoT incorpora tecnologias de Machine Learning e Big Data para
aproveitar os dados de sensores, comunicação M2M( Machine-
to-Machine) e tecnologias de automação existente.
Dados de
Sensores
Armazena
mento
Big Data
Machine
Learning
Inteligência
Artificial
9. Adoção dos programas de Manutenção
55%
Reativa
31%
Preventiva
12%
Preditiva
“Muitas empresas erroneamente acham que a manutenção consiste
apenas em aguardar a falha de um ativo e, em seguida, consertá-lo ou
substituí-lo.”
Reid Paquin, Research Analyst,
Manufacturing and Product Innovation & Engineering
10. "verdades" fundamentais sobre a gestão de ativos hoje
Aproximadamente 11% dos componentes de um ativo complexo
falham ao longo do tempo.
89% falha aleatoriamente ao longo do tempo
Tempo
Performance
Operação normal Primeiros sinais de falha
Falhando
Falha
11. Dados da máquina
PLCs, e sistemas
Dados do Equipamento
Tempo, social e outros
tipos de dados
Dados Externos
Imformação de
sensores
Dados de Sensores
EdgeAnalytics&Ecosystem
Cognitivo
Analytics
Análise preditiva utilizada e modelos de indústria
pré-construídos para detectar anomalias ou
padrões de falhas, melhorar a qualidade,
determinar o risco e tomar medidas preventivas
Manutenção Preditiva e Prescritiva
Análise de Qualidade
Análise de Performance da Planta
Evitar atrasos de produção e melhorar o
desempenho da linha de produção com
melhor visibilidade de ativos
Reduzir o tempo ocioso do equipamento e
aumentar a eficiência do processo com
modelos
Agilizar os reparos de equipamentos através
de análises preditivas e cognitivas
Plataforma de IoT
Açoes
recomnadadas
que inicie uma
ordem de trabalho
ou atualize uma
ordem de trabalho
existente
Fornecendo dados
EAM como ativos
históricos e dados de
manutenção
EAM
Utilizar as capacidades cognitivas para mineirar
dados estruturados e não-estruturados para
colher idéias e fornecer ações prescritivas
Ativo e Equipamento inteligente
Melhorar a confiabilidade e o desempenho de seus equipamentos e ativos através de
uma melhor visibilidade, previsibilidade e operações
Inspeção Visual e Qualidade
12. 12
A aprendizagem da máquina analisa variáveis para correlacionar o grau de
uso/abuso com a falha
12
Usar
Fadiga
Stress térmico
Dano físico
Acúmulo de
material
Corrosão
Uso
Abuso
Tempo
• Identificar métricas que são indicativas de falha do equipamento
• Descubra como os padrões de uso influenciam padrões de falha
• Traduzir métricas em "dias restantes antes da falha"
• Atribuir classificação de manutenção – mais/menos/bem
Dados
13. 75%
Redução do custo de
Manutenção
Pesquisas mostram que em áreas
específicas, pode-se conseguir até 10x o
retorno sobre o investimento.
30%
Redução no tempo de
parada
O programa de manutenção preditiva
reduz o tempo de parada do ativo.
45%
Redução de Falha
Um programa bem orquestrado de
manutenção preditiva tende a
eliminar as falhas dos equipamentos.
Aumento de produção
A redução de falhas implica em
aumento da produção.
25%
Fonte: Roland Berger Strategy Consultants
Manutençao Preditiva + IIoT
14. Benefícios para manutenção, fabricação & operações
97% capacidade de prever atrasos e cancelamentos dentro de 12 semanas
aviação -análise de terabytes de dados de desempenho de turbina
87% de exatidão dentro de 48 horas em relação às falhas potenciais do equipamento
exploração de petróleo e gás - identificar situações que levam a paralisações de
equipamentos; melhorar a previsão de produção
45,5% de redução em manutenção não planejada
aço – analise os dados de produção e detectar avarias iminentes da máquina;
$44m + em economia de manutenção
aviação - reduzir # dos procedimentos de manutenção da engrenagem do rotor da
cauda
34% precisão na previsão de falhas da máquina 2 + horas de antecedência
Automotive - analisar dados de falha de linha de montagem robótica
eficiência do refrigerador de 30%
eletrônica – avalie os parâmetros operacionais que elevam o desempenho
15. BrownfieldtoGreenfield
Uma fábrica nova, construída “do zero”
tem um custo muitas vezes proibitivo.
Usando o princípio “factory within
factory” você pode investir dentro de
uma fábrica já existente.
Considere um projeto de escopo
gerenciável que pode ser efetivamente
auto-suficiente e operar
independentemente do resto da fábrica.
The Industrial Internet of Things (IIoT) takes advantage of the latest software and hardware capabilities to increase productivity.
It stands to reason that greenfield manufacturing plants might be planned with native IIoT technologies.
After all, today’s factory automation systems can incorporate web servers and clients, standards-based communications, and substantial
processing power and memory.
But the majority of manufacturers face a mandate to increase the operational efficiency of their
existing brownfield assets.
In a greenfield, there is no need to integrate with legacy systems.
In a brownfield, integration can be a major challenge with assets that may be decades old. The
machine control systems typically are not networked and do not communicate with each other.
Once IIoT sensors, networks and edge devices are overlaid the existing assets and analytics
applied –the legacy control systems may not have the capabilities to optimize operations
Manageable scope –a production line or cell that can effectively be self-contained and
operate independently from the rest of the factory, with components or materials ‘sourced’ as if the factory is an external supplier
The factory within a factory model is a way to address issues of supply chain management in a
timely, cost-effective manner while preserving responsiveness to customer needs and requests
.
Instead of relying upon an independent manufacturer to provide a part or materials when
ordered, the subordinate operation establishes a physical location within the primary
manufacturing facility.
There are multiple considerations that impact the feasibility of such an
arrangement.
As a positive, it streamlines process for procurement when time a
nd distance is of the essence.
Other complexities involving financial investment, term length, logistics, labor,
protection of intellectual property and tax implications also present
themselves for investigation.
To truly leverage the potential benefits, all aspects must be implemented effectively.
Compared with traditional manufacturing environments, a
green patch environment will introduce integrated devices, applications and tools which generate
Volumes of actionable data.
Therefore, a green patch can unlock opportunities to explore and
develop a specific strategy for integrated machine leaning, predictive insights, and
applying analytics to show the impact of IoT optimization to drive
revenue, cut costs and innovate your operations