O que a IA/ML pode fazer por você?
Usando inteligência artificial (IA) ou a capacidade de um computador ou robô controlado por computador de realizar tarefas comumente associadas a pessoas, ML ou a capacidade de uma máquina de imitar o comportamento humano inteligente, os fabricantes podem aumentar o desempenho com:
Até 10% de redução no tempo de parada não programada – Antecipe falhas de equipamentos usando manutenção preditiva em vez de reativa e receba avisos quando o equipamento estiver operando fora das faixas normais.
Até 12% de melhor qualidade – Detecção antecipada de falhas de processo ou de material
Até 30% mais produtividade – Menos retrabalho e sucata, planejamento de manutenção eficiente e maior conscientização sobre problemas de processo
De acordo com Randy Thompson, arquiteto sênior de negócios e soluções da TT PSC, os algoritmos de ML constroem um modelo matemático com base nos dados disponíveis para fazer predições ou tomar decisões sem serem explicitamente programados para isso. Durante o processo de construção do modelo, os dados históricos são usados como entrada para treinar o modelo – normalmente 70% para treinamento e 30% retidos para avaliação e confirmação do modelo.
O que torna um caso de uso de ML bom?
Um bom caso de uso de ML consiste em uma meta de predição mensurável, muitas variáveis e dados históricos disponíveis. As empresas geralmente têm muitos dados, mas muitas vezes não os dados necessários para prever a meta que gostariam de alcançar. Isso pode exigir entradas de sensores adicionais ou a modificação das metas de predição. Esta é uma área em que ter um parceiro experiente pode ajudar.
Um bom exemplo de caso de uso de ML é um processo de secagem de madeira com o objetivo de obter a madeira com um determinado teor de umidade. Com ML, você pode inserir todas as variáveis mensuráveis do processo para prever a velocidade de operação do secador para alcançar o nível de secagem correto. O que é ótimo sobre o aprendizado de máquina, diz Thompson, é que depois de adicionar os dados necessários, o modelo fará o trabalho por você. Outras perguntas a serem determinadas incluem:
- Este é um problema que vale a pena ser resolvido? Qual é o benefício comercial esperado?
- Com que frequência o problema ocorre? O melhor cenário é que ele ocorra com regularidade suficiente para fornecer dados suficientes para criar um modelo e ver os resultados.
- Qual é o custo do tempo de parada não programada?
- O que você fará de diferente se tiver essa predição?
Por fim, você tem os dados necessários para construir o modelo? Tudo começa com uma hipótese. Escolha o que você acha importante em vez de alimentar todos os dados. Em seguida, pergunte quais dados estão disponíveis e se há dados suficientes para fazer uma predição precisa.
Uso do Analytics Accelerator para FactoryTalk Historian
O Analytics Accelerator para FactoryTalk Historian é uma combinação de ferramentas que a Rockwell Automation desenvolveu para ajudar os fabricantes a fazerem sua própria modelagem.
É uma solução de portfólio integrado criada usando o ThingWorx® para facilitar a aplicação de ML a dados armazenados em arquivos de dados do FactoryTalk Historian. A solução consiste em vários serviços e mashups do ThingWorx que compõem a interface do usuário.
