Loading

Blog

Recent ActivityRecent Activity

Tenha uma fabricação automotiva mais inteligente

O setor automotivo já conhece big data. Durante décadas, as montadoras coletaram e analisaram dados de reclamações de garantia, relatórios de manutenção e veículos cada vez mais inteligentes e conectados para aprimorar a experiência dos consumidores, o desempenho das concessionárias e a qualidade dos veículos. 

Embora essas atividades tenham sido alvo de atenção pública, o big data também proliferou no chão de fábrica, à medida que proprietários de marcas automotivas e fornecedores diretos adotam a transformação digital e a tecnologia inteligente. Na área da produção, o desafio é como usar da melhor forma a enorme quantidade de dados gerados por ativos inteligentes para melhorar o desempenho em curto e longo prazo.

Dimensionamento certo

Plataformas analíticas e serviços na nuvem cresceram com dispositivos inteligentes para ajudar fabricantes a captar o valor de investimentos digitais. E algumas montadoras adotaram plataformas baseadas em nuvem para agregar, analisar e transformar dados em uma poderosa inteligência de negócios.

Mas apesar dos avanços, muitos fabricantes têm dificuldade em fornecer aos operadores as informações que possam gerar ganhos de desempenho em tempo real no chão de fábrica.

Por quê? O envio de dados para uma plataforma baseada em nuvem é ideal para a análise em nível gerencial e para a tomada de decisões em nível corporativo com prazos mais tolerantes. No entanto, tráfego de rede excessivo e defasagens analíticas podem interferir no fornecimento de informações oportunas e contextualizadas para quem pode tomar ações corretivas no chão de fábrica. 

Em outras palavras, a “análise para controlar o ciclo do sistema” não é fechada a tempo para ter um impacto imediato. 

Análise expansível: uma maneira mais rápida de otimização na borda

Uma plataforma de análise expansível fecha o ciclo entre o big data e o chão de fábrica ao incorporar recursos analíticos e de aprendizado de máquina mais próximos da origem das informações e de quem toma as decisões no nível da fábrica.

Por exemplo, uma fábrica de montagem automotiva típica usa inversores de frequência para controlar motores em transportadores de manuseio de materiais. Os inversores modernos monitoram continuamente a corrente e o torque de saída, que podem ser diretamente correlacionados às peças mecânicas do motor. Os inversores podem ser configurados para fornecer advertências quando os parâmetros ultrapassam os limites. Além disso, sensores de temperatura, vibração e outros podem capturar e relatar informações críticas sobre as condições da caixa de engrenagens.

A análise e o monitoramento contínuos desses e de outros parâmetros operacionais podem prever o desgaste ou o deslizamento da caixa de engrenagens e da correia (ou problemas com enrolamentos e mancais do motor) antes de causar um tempo de parada não programada. Mas uma estratégia de manutenção ideal exige visibilidade na hora certa para essa análise.

Essa nova solução de análise oferece uma resposta no nível do dispositivo. Fornecida em um aparelho de plug-in, a solução rastreia a rede industrial e descobre ativos, como inversores e sensores de condição. Ela fornece análises por meio da transformação dos dados gerados em painéis pré-configurados de integridade e diagnóstico.

À medida que o aparelho descobre informações sobre como os dispositivos estão relacionados uns com os outros, como causalidade de falhas, ele começa a entender o sistema no qual está implantado e pode fazer recomendações prescritivas. Por exemplo, ele pode enviar um “cartão de ação” para o smartphone ou tablet de um usuário se um inversor precisa ser reconfigurado para manter o desempenho ideal.

Por fim, essa abordagem prescritiva permite que as equipes de manutenção sejam mais proativas e ajuda a minimizar um possível tempo de parada. 

Mudando as regras do jogo na fabricação automotiva 

A análise expansível é um divisor de águas para aplicações automotivas discretas. Além disso, essa abordagem transformadora promete ser vital em processos contínuos complexos em que o aprendizado de máquina pode ter um impacto significativo na qualidade do produto e na velocidade da produção.

Um exemplo? Produção de baterias de células de bolsas prismáticas. Células de bolsas prismáticas oferecem mais energia por volume do que as cilíndricas e estão ganhando espaço no mercado de veículos elétricos.

 

No entanto, a produção de células de bolsas prismáticas envolve um alto grau de controle de movimento, precisão e processamento contínuo. Otimizar um processo nesse tipo de ambiente dinâmico e multivariado é um desafio. Mas é um desafio que parece ter sido feito para a análise expansível e o aprendizado de máquina.

Usando modelos matemáticos dinâmicos, o sistema aprende a reconhecer o impacto de uma variável em outra e ajusta automaticamente as ações subsequentes para conseguir os melhores resultados. Ao mesmo tempo, o sistema pode fornecer análises críticas aos operadores (como gráficos de controle) que permitem o monitoramento contínuo da qualidade e ajustes proativos.

Tenha em mente que uma abordagem expansível pode se estender além dos dispositivos e ser aplicada nos níveis de máquina e processo. A plataforma também pode ser integrada com MES, OEE e outras operações de produção e sistemas analíticos para ajudar a impulsionar a otimização em toda a empresa, em áreas tão diversas quanto programação de produção e gestão de energia. 

Saiba mais sobre análises expansíveis e como você pode começar a tomar decisões melhores na origem dos dados.

Co-autoria de Todd Montpas, gerente de produto de software de informações da Rockwell Automation

 


Bill Sarver
Bill Sarver
Senior Consultant, Global Automotive Industry, Rockwell Automation
Subscribe

Subscribe to Rockwell Automation and receive the latest news, thought leadership and information directly to your inbox.

Recomendado para você