Alcançando a consistência na produção: ferramentas e táticas para engenheiros
Baixe este guia do engenheiro sobre análise multivariada
Este guia é destinado a líderes de engenharia para descobrir como a análise multivariada revela otimizações profundas do processo ao desvendar as complexas relações que existem entre as variáveis de fabricação.
Descobrir como alcançar repetibilidade e consistência é uma prioridade para as equipes de engenharia atuais. Flutuações nos preços de oferta e demanda, disponibilidade e exigências rigorosas dos clientes tornam cada produção vital.
No entanto, qualquer engenheiro de manufatura sabe que a variabilidade é inevitável onde a complexidade impera. Se a repetibilidade otimizada fosse fácil de alcançar, as taxas de sucata e defeitos não seriam problemas persistentes para os fabricantes.
Reproduzir resultados bem-sucedidos exige tempo, expertise e os dados certos para que as equipes possam executá-los. Aplicar as práticas corretas a uma linha inteira — ou múltiplas linhas — é uma tarefa enorme com inúmeras variáveis em jogo.
Felizmente, existem ferramentas disponíveis para ajudar os engenheiros a produzir produtos precisos repetidamente com maior facilidade, mesmo em condições variáveis.
Essas ferramentas auxiliam as equipes a entender e executar os parâmetros de produção ideais necessários para que equipamentos, materiais, pessoas, processos e outros aspectos da produção funcionem simultaneamente.
Neste artigo, examinaremos algumas das principais ferramentas e táticas que os engenheiros podem usar para alcançar e manter a consistência na produção.
Otimize a eficiência com uma melhor visibilidade dos dados
Quando as equipes alcançam resultados consistentes repetidamente, elas sabem que estão implementando os parâmetros de produção certos para um dado produto e cenário. Compreender — e trabalhar dentro — essas condições ideais permite às equipes medir em relação às metas de estabilidade do processo.
Um elemento chave para alcançar o sucesso repetível é a visibilidade do que está acontecendo no departamento operacional e do que funcionou com sucesso no passado. É necessário ter acesso a dados históricos e ao vivo para alcançar o sucesso repetível.
Os dados históricos ajudam a entender quais configurações resultaram nas melhores execuções de produção. Analisar execuções anteriores permite entender quais configurações estavam em vigor para saber o que fazer para replicar o sucesso.
Você também precisa de um fluxo contínuo de dados ao vivo, que permite às equipes ajustar e adaptar conforme necessário. Sem visibilidade em tempo real, você não pode saber se as configurações que está usando gerarão resultados ideais.
É importante lembrar que as equipes não podem simplesmente usar os mesmos parâmetros todas as vezes e esperar os mesmos resultados. Os fabricantes precisam fazer ajustes continuamente para evitar desvios, mudanças de grade, de desempenho dos ativos e de outras variáveis. É aqui que ferramentas avançadas podem fazer uma diferença significativa no desempenho e no resultado.
Use case: Redução do desvio de ponto de ajuste em tempo real
A International Paper, cliente de longa data da Braincube, queria identificar como replicar suas melhores execuções, mesmo com as mudanças nas condições da operação ao longo do dia.
“Se você simplesmente voltar para as últimas configurações que utilizou, depois de cerca de seis ou sete execuções, você percebe que desviou para algumas configurações ruins,” disse Andrew Jones, Fellow de Engenharia Sênior na International Paper. “Ninguém realmente percebe isso acontecendo, mas acontece. Com a Braincube, as equipes podem avaliar o que aconteceu e se perguntar: ‘Como podemos executar a próxima produção da melhor forma?’”
As ferramentas do Braincube facilitam para as equipes de engenharia da International Paper a análise de execuções anteriores e a identificação dos parâmetros que resultaram nas melhores execuções.
Por exemplo: equipes ou indivíduos podem selecionar a classificação e a faixa de velocidade que gostariam de visualizar e extrair as configurações ideais para qualquer produto. Esses insights podem ser usados para definir parâmetros operacionais padronizados para uma ampla gama de cenários de produção.
As regras ideais para vários cenários de produção já são validadas pela engenharia com base nas configurações de melhor desempenho das execuções históricas. As equipes de operações podem então acessar essas configurações pré-determinadas, cruzá-las com os dados de produção mais atuais e exibir as configurações validadas para a próxima execução no Studio App da Braincube.
Dependendo das condições atuais e do produto sendo produzido, os engenheiros da International Paper podem usar esses insights para orientar os operadores sobre como configurar as execuções subsequentes para obter os melhores resultados. A partir daí, o Studio App da Braincube é automaticamente preenchido com as condições de operação das variáveis de entrada-chave do lote de referência mais recente.
Ao utilizar as configurações mais recentes e ideais, as equipes podem considerar um maior grau de desvio do processo. Elas não estão se baseando no que funcionou no passado distante. Em vez disso, estão implementando as configurações mais atualizadas para alcançar o melhor resultado possível.
Avalie o desempenho histórico para alcançar a estabilidade do processo
Compreender o desempenho histórico é uma etapa crucial para descobrir as configurações ideais para o produto que você está produzindo. As equipes de engenharia geralmente precisam vasculhar e analisar grandes quantidades de dados históricos para fazer essas descobertas. Os engenheiros devem avaliar diferentes execuções para determinar quais foram bem-sucedidas e quais não foram.
Também é provável que haja diferentes resultados a considerar ao avaliar o que constitui sucesso. Não se trata apenas de encontrar execuções que produzam produtos da mais alta qualidade; é mais valioso identificar as execuções que atendem aos padrões de qualidade enquanto utilizam recursos mínimos.
Em outras palavras, execuções de produção que geram os resultados mais consistentes sob as condições mais estabilizadas são aquelas que você provavelmente desejará repetir, pois essas execuções mantêm os custos baixos e a produção alta.
Encontrar execuções históricas que atendam às condições certas para o sucesso repetível frequentemente envolve a integração de algum tipo de IA avançada para detectar padrões que levam a resultados positivos. Ferramentas como o CrossRank da Braincube ou Machine Learning podem identificar suas execuções ideais, adaptar-se continuamente às condições em mudança e integrar-se com outros produtos da Braincube para enviar alterações diretamente para a operação — tudo dentro da mesma plataforma.
Às vezes, o que você descobre é diferente do que poderia esperar. Por exemplo: um dos clientes de fabricação de papel da Braincube economizou o custo de aquisição de novos equipamentos ao fazer ajustes identificados pela IA da Braincube. Essas modificações permitiram que mantivessem a qualidade do produto enquanto utilizavam menos recursos.
A IA é frequentemente útil para identificar padrões, mas raramente fornece configurações operacionais prescritivas para repetir seu sucesso. Todos sabemos que os fabricantes não podem se dar ao luxo de correr riscos — se algo é alterado a montante, as equipes devem entender as implicações na qualidade final, no desgaste das máquinas e em outros elementos a jusante.
Por exemplo: só porque você deseja reduzir o consumo de energia não significa que pode isolar esse KPI do restante da produção. É preciso entender como reduzir a energia sem sacrificar outros fatores como qualidade, velocidade ou produtividade. Se os fabricantes se concentrarem apenas em alguns KPIs, isso pode causar um desvio no desempenho geral.
É importante abordar a estabilização do processo com uma estratégia e um objetivo em mente. Você está disposto a usar mais energia para melhorias na qualidade? Os processos são suficientemente ágeis para que, à medida que as fontes de energia flutuarem, você tenha planos de contingência que permitam uma adaptação? Reserve um tempo para avaliar o que você deseja alcançar e o que pode estar disposto a sacrificar para melhorar a estabilidade do processo.
Use case: A estabilidade dos ativos resulta em uma economia de $1,2 milhão
Um fabricante global de alimentos e bebidas queria reduzir o consumo de gás sem sacrificar a reputação de seus produtos de alta qualidade. Com os custos de energia em constante aumento, eles buscavam opções mais sustentáveis, como a geração de vapor por caldeiras de biomassa.
Especificamente, a empresa queria garantir que sua caldeira de biomassa fosse o foco de sua nova estratégia de redução de energia. Esse ativo específico de demonstrava consistentemente uma pontuação de OEE (Eficiência Geral do Equipamento) abaixo da média das máquinas. Com mais de 1.300 variáveis dentro de toda a fase da caldeira, havia uma grande quantidade de dados a serem analisados para estabilizar sua eficiência.
As equipes de engenharia da empresa usaram as ferramentas de IA da Braincube para determinar que poderiam reduzir o teor de água do produto para regular o nível de CO2. As ferramentas de IA da Braincube forneceram configurações otimizadas para estabilizar o uso e a produção da caldeira. Ao implementar essas novas configurações, a empresa reduziu seu consumo de gás em 21.600 toneladas e suas emissões anuais de CO2 em 4.200 toneladas.
Uma vez estabilizada a produção, os engenheiros puderam comparar diferentes regras ativas, visualizar sua taxa média de aplicação ou resultados e descobrir otimizações adicionais. Combinadas, essas mudanças resultaram em mais de $1,2 milhão em economia.
Como a Braincube é projetada para fechar o ciclo de produção, as equipes de engenharia podem enviar configurações atualizadas diretamente para as equipes de linha de frente com apenas alguns cliques. Esse processo continuamente conectado é uma das razões pelas quais muitos clientes permanecem com a Braincube.
Melhore os resultados com dados de qualidade aprimorada
Uma vez que você estabilize a produção, o próximo passo lógico é refinar ainda mais as condições ideais para o sucesso repetível. Os gêmeos digitais podem fornecer um modelo de dados contínuo que oferece uma visão detalhada de tudo o que você produz.
Os dados podem ser um ativo para muitas empresas de manufatura, mas simplesmente ter dados não é suficiente. Se você entende a temperatura média da caldeira em uma de suas linhas, isso é uma informação útil, mas o que você pode fazer com um valor médio? Esse indicador não diz o que mudar. Ele simplesmente informa qual era a temperatura média ao longo de um determinado período.
Em vez disso, você precisa identificar os pontos de ajuste ideais para cada linha de produto para garantir que está fazendo o melhor uso dos seus dados. Para isso, é necessário ter os dados corretos. Isso pode ser um desafio para algumas empresas.
Os gêmeos digitais alimentados pela Braincube fornecem às equipes uma réplica digital dinâmica de como um produto foi fabricado. Por sua vez, você pode usar o banco de dados do gêmeo digital em sistemas de terceiros, aplicativos Braincube ou outros modelos personalizados.
Com a agregação, limpeza e distribuição de dados gerenciadas por um gêmeo digital, as equipes podem se concentrar em fazer as mudanças certas. Por exemplo: os dados de um gêmeo digital podem ajudar os engenheiros a identificar como fabricar seu produto com um alto rendimento e baixo custo.
Quando você realiza uma Análise Avançada dentro da plataforma Braincube, está, na verdade, definindo os resultados que deseja alcançar. A partir daí, o algoritmo prescreve como alcançá-los. Talvez você queira impulsionar a economia de energia acima de outras necessidades. Você vai querer desenvolver os parâmetros certos usando fontes de energia alternativas. Ou talvez você queira usar materiais menos caros e adicionar o maior volume de aditivo possível antes de impactar a qualidade. Com os dados do gêmeo digital e a IA, esse trabalho se torna drasticamente mais fácil de realizar.
Use case: Usando IA para verificar modelos personalizados
O fabricante global de produtos de papel Kimberly-Clark usa Python para construir modelos preditivos. Esses modelos ajudam a entender como otimizar o peso de base e outros padrões para gerar seus lotes ideais — as execuções que produzem os produtos. No entanto, é importante lembrar que os modelos são tão bons quanto os dados que utilizam.
Para garantir que os dados corretos fossem usados, eles aproveitaram o aplicativo de Análise Avançada da Braincube para validar o modelo. A IA da Braincube identificou que havia dados surpreendentes no modelo original. Os pontos de dados usados para construir o modelo estavam incorretos! Tags erradas haviam caracterizado mal os dados, mostrando inconsistências que não existiam.
“O que teria levado horas de trabalho passando por 4.000 diferentes tags de dados que usamos em nossa máquina, conseguimos fazer em apenas alguns cliques,” disse Tyler Shirley, Desenvolvimento de Ativos, Engenheiro Elétrico na Kimberly-Clark.
Os dados corretos e as ferramentas de análise podem economizar tempo, recursos e reduzir os custos gerais de produção. A IA pode frequentemente descobrir oportunidades inesperadas de otimização.
Conclusão
Embora seja verdade que você precise de uma grande quantidade de dados para descobrir e definir as condições operacionais ideais, ferramentas como a Braincube estão aqui para ajudar.
Desde a visualização de dados até análises robustas de autoatendimento, nossa abordagem gradual à transformação digital ajudará você não apenas a alcançar seus objetivos, mas a superá-los.
A implementação de ferramentas como a Braincube fornece aos clientes os recursos e ferramentas que permitem pensar de forma criativa e crítica sobre o que ocorreu durante a produção e o por quê. Com as ferramentas, dados e estratégias certos, você pode alcançar resultados consistentes, repetidamente.
Veja como a Plataforma IIoT da Braincube pode ajudar você a melhorar a rastreabilidade e encontrar novos sucessos.
As operações automatizadas impulsionadas por IA revolucionaram várias indústrias. No entanto, para realmente colher os benefícios para as pessoas e o meio ambiente, é crucial colocar essas mudanças em prática. Essas implementações práticas podem desbloquear todo o potencial da manufatura autônoma.
Neste white paper para líderes de engenharia, descubra como a análise multivariada revela profundas otimizações de processos ao desvendar as complexas relações que existem entre as variáveis de manufatura.
Neste estudo de caso, aprenda como a Kimberly-Clark utiliza seus dados dos gêmeos digitais alimentados pela Braincube para construir modelos preditivos de dados que otimizam processos com alta precisão.
Este white paper apresenta um modelo de três etapas para ajudar os fabricantes a superar desafios comuns na adoção de IA, como a qualidade dos dados e a integração de sistemas, e alcançar a AI Readiness, desbloqueando benefícios operacionais significativos. Os fabricantes podem aumentar a eficiência, a qualidade e as capacidades de tomada de decisão ao progredir por essas etapas de AI Readiness.
Neste white paper para líderes de engenharia, descubra como a análise multivariada revela otimizações profundas de processos ao desvendar as relações complexas que existem entre as variáveis de fabricação.
Este site usa cookies para otimizar a experiência do usuário, melhorar o desempenho do site e análise de público para fornecer anúncios personalizados.
Para saber mais sobre nossa política de cookies, clique aqui.
Alguns recursos deste site são oferecidos com base em serviços de sites de terceiros. Se você der o seu consentimento, esses sites de terceiros adicionarão cookies que permitirão que você veja o conteúdo hospedado por eles em nosso site. Eles coletarão dados do seu navegador e usarão esses dados por meio dos cookies para os propósitos determinados de acordo com a política de privacidade deles (links abaixo). Você pode conceder ou retirar o seu consentimento nesta página. É possível expressar as suas escolhas globalmente ou por propósito.
Cookies analíticos são usados para entender como os visitantes interagem com o site. Esses cookies ajudam a fornecer informações sobre métricas, número de visitantes, taxa de rejeição, origem do tráfego etc.
Cookies de anúncios são usados para fornecer aos visitantes anúncios e campanhas de marketing relevantes. Esses cookies rastreiam visitantes nos sites e coletam informações para fornecer anúncios personalizados.
Os cookies de desempenho são usados para entender e analisar os principais índices de desempenho do site, o que ajuda a oferecer uma melhor experiência de usuário aos visitantes.
Os cookies de preferência são usados para armazenar as preferências do usuário. Eles fornecem conteúdo personalizado e conveniente aos usuários, como o idioma do site ou a localização do visitante.
Os cookies necessários são essenciais para o bom funcionamento do site. Esta categoria inclui os cookies que garantem as funcionalidades básicas e os recursos de segurança do site. Esses cookies não armazenam nenhuma informação pessoal.
Introducing predictive analyticsDive deep into your processes to uncover hidden improvement opportunities. Detect patterns, prevent downtime, and reduce costs.
Introducing predictive analytics
Dive deep into your processes to uncover hidden improvement opportunities. Detect patterns, prevent downtime, and reduce costs.