Imagine um mundo em que as máquinas não só constroem os nossos produtos, como também pensam e aprendem como nós. Neste artigo, exploramos a forma como a inteligência artificial está a transformar a indústria transformadora. Desde robôs inteligentes que seleccionam peças até à manutenção preditiva que reduz o tempo de inatividade, a IA está a remodelar os processos de produção. Os leitores descobrirão oito aplicações inovadoras de IA que aumentam a eficiência, melhoram a qualidade e reduzem os custos na indústria transformadora. Mergulhe para ver como a tecnologia está a ultrapassar os limites do que as máquinas podem fazer.
O conceito de inteligência artificial foi introduzido pela primeira vez na década de 1950, há mais de sessenta anos.
No entanto, só nos últimos anos é que a IA registou um crescimento explosivo, principalmente devido ao amadurecimento de tecnologias como a Internet das Coisas (IoT), os grandes volumes de dados e a computação em nuvem.
A IdC permite a aquisição em tempo real de grandes quantidades de dados, enquanto os grandes volumes de dados fornecem recursos de dados e apoio algorítmico para a aprendizagem profunda. A computação em nuvem oferece recursos computacionais flexíveis para a IA.
A combinação orgânica destas tecnologias impulsiona o desenvolvimento contínuo da IA, resultando num progresso substancial. O jogo entre AlphaGo e Lee Sedol trouxe a IA para a ribalta, desencadeando uma nova onda de fervor pela IA.
O lançamento recorde do ChatGPT no final de 2022, juntamente com a popularidade de ferramentas de desenho de IA como a Stable Diffusion, fizeram de 2023 o ano inaugural da democratização da IA!
A investigação e as aplicações da inteligência artificial estão a florescer progressivamente em vários domínios. Com o advento da onda de fabrico inteligente, a inteligência artificial foi integrada em todos os aspectos da indústria transformadora, incluindo a conceção, a produção, a gestão e os serviços.
A tecnologia e os produtos de inteligência artificial (IA), após anos de testes práticos, são agora amplamente aplicados e estão a acelerar a integração da IA em vários sectores.
De uma perspetiva técnica, é comummente aceite na indústria que as principais capacidades da inteligência artificial podem ser classificadas em três níveis: inteligência computacional, inteligência perceptiva e inteligência cognitiva.
A inteligência computacional refere-se à capacidade superior de armazenamento e às capacidades computacionais ultra-rápidas de uma máquina. Pode realizar uma aprendizagem profunda com base em dados maciços, utilizando a experiência histórica para orientar o ambiente atual.
Com o desenvolvimento contínuo do poder computacional e a atualização constante dos métodos de armazenamento, pode dizer-se que a inteligência computacional foi concretizada.
Por exemplo, o AlphaGo, que utiliza a tecnologia de aprendizagem por reforço, derrotou o campeão mundial de Go, e as plataformas de comércio eletrónico utilizam a aprendizagem profunda com base nos hábitos de compra dos utilizadores para fazer recomendações personalizadas de produtos.
A inteligência perceptiva refere-se à capacidade das máquinas de possuírem sentidos como a visão, a audição e o tato. Pode estruturar dados não estruturados e interagir com os utilizadores através de métodos de comunicação humana.
Com o avanço de várias tecnologias, o valor de mais dados não estruturados é reconhecido e explorado. A inteligência perceptiva relacionada com os sentidos, como a voz, a imagem, o vídeo e os pontos de contacto, também está a evoluir rapidamente.
Os veículos autónomos e os famosos robôs da Boston Dynamics empregam inteligência perceptiva; percebem e processam o que os rodeia através de vários sensores, orientando eficazmente as suas operações.
Em comparação com a inteligência computacional e perceptiva, a inteligência cognitiva é mais complexa; refere-se à capacidade da máquina para compreender, induzir, raciocinar e utilizar o conhecimento como um ser humano.
Atualmente, a tecnologia da inteligência cognitiva ainda se encontra em fase de investigação e exploração.
Por exemplo, no sector da segurança pública, a extração de características e a análise de padrões de comportamentos micro e macro dos criminosos, o desenvolvimento de modelos e sistemas de inteligência artificial para a previsão da criminalidade, a penetração de fundos e a simulação da evolução da criminalidade urbana.
No sector financeiro, é utilizada para identificar transacções suspeitas e prever flutuações macroeconómicas. Há ainda um longo caminho a percorrer para acelerar o desenvolvimento da inteligência cognitiva.
Do ponto de vista da aplicação, a implantação de uma única tecnologia de inteligência artificial pode abranger vários níveis de capacidades essenciais, como a inteligência computacional e a inteligência perceptiva.
Os robôs industriais, os smartphones, os automóveis autónomos, os drones e outros produtos inteligentes são portadores de inteligência artificial.
Estes produtos, através da combinação de hardware e vários tipos de software, possuem a capacidade de perceber, fazer julgamentos e interagir em tempo real com os utilizadores e o ambiente, integrando simultaneamente várias capacidades essenciais da inteligência artificial.
Por exemplo, na indústria transformadora, são amplamente utilizados vários robôs inteligentes: Os robôs de triagem/picking podem reconhecer e agarrar autonomamente objectos irregulares.
Os robôs colaborativos são capazes de compreender e responder ao ambiente que os rodeia. Os carrinhos de mão automatizados podem reconhecer rostos para iniciar o seguimento autónomo.
Com a ajuda da tecnologia SLAM (Simultaneous Localization and Mapping), os robôs móveis autónomos podem utilizar sensores a bordo para identificar marcadores de características em ambientes desconhecidos e, em seguida, estimar as coordenadas globais do robô e desses marcadores de características com base na localização relativa e nas leituras do odómetro.
A tecnologia de condução autónoma, em termos de posicionamento, perceção ambiental, planeamento de rotas, tomada de decisões comportamentais e controlo, integra também várias tecnologias e algoritmos de inteligência artificial.
As aplicações actuais da inteligência artificial nas indústrias transformadoras abrangem principalmente produtos de interação vocal inteligente, reconhecimento facial, reconhecimento de imagens, pesquisa de imagens, reconhecimento de impressões vocais, reconhecimento de texto, tradução automática, aprendizagem automática, computação de grandes volumes de dados e visualização de dados.
O texto seguinte resume oito cenários comuns de aplicações de IA frequentemente utilizados no sector da indústria transformadora.
Cenário Um: Triagem Inteligente
Muitas tarefas na indústria transformadora requerem triagem. Se for efectuada manualmente, o processo é lento, dispendioso e depende da manutenção de um ambiente de temperatura de trabalho adequado. A implementação de robots industriais para a triagem inteligente pode reduzir significativamente os custos e aumentar a velocidade.
Considere-se o exemplo da seleção de peças. Muitas vezes, as peças que precisam de ser separadas não estão bem organizadas e, embora o robô tenha uma câmara para ver as peças, não sabe como apanhá-las com sucesso. Nesta situação, pode ser utilizada a tecnologia de aprendizagem automática.
O robô executa uma ação de triagem aleatória e, em seguida, é informado se a ação foi bem sucedida ou não na recolha de uma peça.
Após várias iterações de treino, o robô aprende a sequência de acções de triagem com a taxa de sucesso mais elevada, as posições ideais para agarrar para uma recolha bem sucedida e a ordem de triagem que produz a taxa de sucesso mais elevada.
Após várias horas de aprendizagem, a taxa de sucesso de seleção do robô pode atingir 90%, o que equivale ao nível de um trabalhador qualificado.
Cenário dois: Gestão do estado do equipamento
Ao efetuar um acompanhamento em tempo real de funcionamento da máquina dados, análise de características e técnicas de aprendizagem automática, podemos prever falhas no equipamento antes da ocorrência de acidentes, reduzindo o tempo de inatividade não programado.
Por outro lado, perante uma falha súbita do equipamento, podemos diagnosticar rapidamente o problema, identificar a causa e fornecer as soluções correspondentes.
É comummente aplicado na indústria transformadora, especialmente na engenharia química, equipamento pesado, processamento de hardware, fabrico 3C, energia eólica e outros sectores.
Tomar Máquinas-ferramentas CNC como exemplo. Ao utilizar algoritmos de aprendizagem automática e sensores inteligentes para monitorizar informações como a potência, a corrente e a tensão de ferramentas de corteO sistema de controlo de tensão da máquina, o fuso principal e o motor de alimentação durante o processo de maquinagem, permitem identificar o estado de tensão, desgaste e danos das ferramentas, bem como o estado de estabilidade do processamento da máquina-ferramenta.
Com base nestes estados, podemos ajustar os parâmetros de maquinagem (velocidade do fuso, velocidade de avanço) e as instruções de processamento em tempo real, prevendo quando substituir a ferramenta para melhorar a precisão da maquinagem, reduzir o tempo de paragem da linha de produção e melhorar a segurança do equipamento.
Cenário três: Deteção de defeitos de superfície com base na visão
A aplicação da visão artificial para a deteção de defeitos de superfície é agora comum no fabrico.
A visão artificial pode identificar rapidamente defeitos menores e complexos na superfície do produto em milissegundos, sob condições em constante mudança, e classificá-los, como a deteção de contaminantes, danos e fissuras na superfície.
Algumas empresas de inteligência industrial combinaram a aprendizagem profunda com microscópios 3D para aumentar a precisão da deteção de defeitos até ao nível nanométrico.
Para os produtos defeituosos detectados, o sistema pode determinar automaticamente se são reparáveis, planear o caminho e o método de reparação e, em seguida, a máquina executa a ação de reparação.
Por exemplo, o tubo de PVC é um dos materiais de construção mais utilizados e é consumido em grandes quantidades.
É propenso a riscos superficiais, buracos, ondulações de água e superfícies mate durante o processo de produção e embalagem, exigindo uma quantidade significativa de mão de obra para a inspeção.
Após a implementação da deteção visual automática de defeitos de superfície, as impurezas na superfície do tubo são automaticamente detectadas através da definição dos tamanhos mínimo e máximo da área, com uma precisão de deteção mínima de 0,15 mm² e uma taxa de deteção superior a 99%.
Os riscos na superfície do tubo são detectados automaticamente através da definição dos comprimentos e larguras mínimos e máximos, com uma precisão de deteção mínima de 0,06 mm e uma taxa de deteção superior a 99%.
As rugas na superfície do tubo são detectadas automaticamente através da definição dos comprimentos mínimo e máximo, larguras, comprimentos de segmento e limiares de diferença de cor, com uma precisão de deteção mínima de 10 mm e uma taxa de deteção superior a 95%.
Quarto cenário: Inspeção da qualidade do produto e determinação de falhas com base no reconhecimento de impressões de voz
Utilizando a tecnologia de reconhecimento de impressões vocais, podemos detetar automaticamente sons anómalos, identificar produtos defeituosos e comparar com uma base de dados de impressões vocais para a determinação de falhas.
Por exemplo, desde o final de 2018, a fábrica da Faurecia (Wuxi) iniciou uma colaboração abrangente com a equipa de Big Data Science do grupo, dedicada à aplicação da tecnologia de IA à avaliação do desempenho NVH (ruído, vibração e aspereza) dos reguladores de assento.
Em 2019, a fábrica da Faurecia (Wuxi) incorporou a tecnologia de IA na deteção de som anómalo dos ajustadores, realizando a automatização de todo o processo desde a recolha de sinais, armazenamento de dados, análise de dados até à auto-aprendizagem. A eficiência e a precisão da deteção excedem em muito a inspeção manual tradicional.
Com a implementação do sistema de deteção de ruído baseado na tecnologia de IA na fábrica de Wuxi, o número de funcionários diminuiu de 38 para 3. Simultaneamente, a capacidade de controlo de qualidade melhorou significativamente, com um benefício económico anual que atingiu 4,5 milhões de RMB.
Quinta cena: Tomada de decisões inteligente
As empresas industriais podem aplicar tecnologias de inteligência artificial, como a aprendizagem automática, em conjunto com a análise de grandes volumes de dados para otimizar os métodos de programação, melhorando as suas capacidades de tomada de decisões em áreas como a qualidade dos produtos, a gestão operacional, a gestão do consumo de energia e a gestão de ferramentas.
Por exemplo, o sistema inteligente de gestão da produção da Fábrica de Motores Diesel FAW Jiefang Wuxi possui capacidades como a recolha de dados sobre anomalias e programação da produção, o diagnóstico de causas anormais com base em árvores de decisão, a previsão do tempo de inatividade do equipamento com base na análise de regressão e a otimização da decisão de programação com base na aprendizagem automática.
Utilizando os dados históricos do processo de decisão de programação e os indicadores reais de desempenho da produção após a programação como conjunto de dados de treino, e empregando algoritmos de redes neuronais, os parâmetros do algoritmo de avaliação da decisão de programação são afinados para garantir que as decisões de programação satisfazem os requisitos reais de produção.
Sexta cena: Geminação digital
A geminação digital é o espelhamento de entidades físicas no mundo virtual. A criação de gémeos digitais integra inteligência artificial, aprendizagem automática e dados de sensores para estabelecer um modelo "real" vívido e atualizado em tempo real que apoia a tomada de decisões ao longo do ciclo de vida dos produtos físicos.
Na procura de uma modelação de ordem reduzida de entidades gémeas digitais, a complexidade e os modelos não lineares podem ser colocados em redes neuronais. Aproveitando a aprendizagem profunda, é estabelecido um objetivo finito, no qual se baseia a modelação de ordem reduzida.
Por exemplo, no modelo tradicional, a simulação térmica e de fluidos de uma saída de um tubo de água quente e fria, utilizando um servidor de 16 núcleos, requer 57 horas por cálculo. Após a implementação da modelação de ordem reduzida, cada cálculo demora apenas alguns minutos.
Sétima cena: Conceção generativa
A conceção generativa é um processo interativo e auto-inovador. Quando os engenheiros estão a conceber produtos, só precisam de definir os parâmetros desejados e as restrições de desempenho sob a orientação do sistema, como o material, o peso, o volume, etc.
Associando isto a algoritmos de inteligência artificial, podem ser geradas automaticamente centenas a milhares de soluções viáveis de acordo com a intenção do projetista. Estas são depois comparadas de forma autónoma e a conceção óptima é selecionada e recomendada ao designer para a decisão final.
O design generativo tornou-se um novo domínio interdisciplinar, profundamente integrado nas tecnologias informáticas e de inteligência artificial, aplicando algoritmos e tecnologias avançados ao processo de design.
Os algoritmos generativos amplamente utilizados incluem sistemas paramétricos, gramáticas de forma (SG), sistemas L, autómatos celulares (CA), algoritmos de otimização topológica, sistemas evolutivos e algoritmos genéticos.
Oitava cena: Previsão da procura e otimização da cadeia de abastecimento
Tirando partido da inteligência artificial, estabelecemos modelos precisos de previsão da procura, permitindo às empresas fazer previsões de vendas, antecipar as necessidades de peças de substituição e tomar decisões orientadas para a procura.
Simultaneamente, através da análise de dados externos e com base em previsões de procura, formulamos estratégias de reposição de stocks, avaliações de fornecedores e seleção de peças.
Por exemplo, num esforço pragmático para controlar os custos de gestão da produção, a American Honda Motor Company procurou compreender quando se verificaria a procura futura dos clientes.
Por conseguinte, criaram um modelo de previsão utilizando dados de vendas e manutenção de 1200 concessionários. Este modelo estima o número de veículos que regressam aos concessionários para manutenção nos próximos anos.
A informação foi então utilizada para estabelecer padrões de referência para a pré-preparação de várias peças. Esta transformação permitiu à American Honda atingir uma precisão de previsão de até 99% e reduzir o tempo de reclamação do cliente para o triplo.
Atualmente, com um número crescente de empresas, universidades e organizações de código aberto a entrarem no domínio da inteligência artificial, um grande afluxo de software e plataformas de código aberto de IA bem sucedidos está a conduzir a um boom sem precedentes na inteligência artificial.
No entanto, em comparação com sectores como as finanças, as aplicações da IA na indústria transformadora, embora numerosas, não são particularmente proeminentes e pode dizer-se que o seu desenvolvimento tem sido relativamente lento.
As principais razões para estes problemas decorrem dos três domínios seguintes:
1. A recolha, a utilização e o desenvolvimento de dados durante o processo de fabrico apresentam desafios significativos. Além disso, a maioria das empresas baseia-se principalmente em bases de dados privadas e de escala limitada, o que resulta numa falta de amostras de aprendizagem automática de alta qualidade. Isto limita o processo de auto-aprendizagem da máquina.
2. Existe uma variedade de diferenças entre os sectores de produção, o que aumenta a complexidade das soluções de inteligência artificial e aumenta a procura de personalização.
3. Em vários sectores, há falta de empresas líderes que possam impulsionar a tendência de integração profunda da inteligência artificial na produção.
Ao abordar estas três questões críticas, a tecnologia da inteligência artificial poderá ser melhor aplicada na indústria transformadora.
Como fundador da MachineMFG, dediquei mais de uma década da minha carreira à indústria metalúrgica. A minha vasta experiência permitiu-me tornar-me um especialista nos domínios do fabrico de chapas metálicas, maquinagem, engenharia mecânica e máquinas-ferramentas para metais. Estou constantemente a pensar, a ler e a escrever sobre estes assuntos, esforçando-me constantemente por me manter na vanguarda da minha área. Deixe que os meus conhecimentos e experiência sejam uma mais-valia para a sua empresa.
PT 
EN 
AR 
DE 
ES 
FR 
IT 
JA 
NL 
PT_BR 
RU 
KO