Imagine um mundo em que as máquinas não apenas fabricam nossos produtos, mas também pensam e aprendem como nós. Neste artigo, exploramos como a inteligência artificial está transformando o setor de manufatura. Desde robôs inteligentes que classificam peças até a manutenção preditiva que reduz o tempo de inatividade, a IA está remodelando os processos de produção. Os leitores descobrirão oito aplicativos inovadores de IA que aumentam a eficiência, melhoram a qualidade e reduzem os custos na manufatura. Mergulhe de cabeça e veja como a tecnologia está ampliando 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, foi somente nos últimos anos que a IA teve um crescimento explosivo, principalmente devido ao amadurecimento de tecnologias como a Internet das Coisas (IoT), big data e computação em nuvem.
A IoT permite a aquisição em tempo real de grandes quantidades de dados, enquanto o big data fornece recursos de dados e suporte algorítmico para a aprendizagem profunda. A computação em nuvem oferece recursos computacionais flexíveis para IA.
A combinação orgânica dessas tecnologias impulsiona o desenvolvimento contínuo da IA, resultando em um progresso substancial. A partida entre AlphaGo e Lee Sedol trouxe a IA para o primeiro plano, desencadeando uma nova onda de fervor pela IA.
O lançamento recorde do ChatGPT no final de 2022, juntamente com a popularidade das ferramentas de desenho de IA, como a Stable Diffusion, fez de 2023 o ano inaugural da democratização da IA!
A pesquisa e as aplicações da inteligência artificial estão florescendo progressivamente em vários campos. Com o advento da onda da manufatura inteligente, a inteligência artificial foi integrada a todos os aspectos do setor de manufatura, incluindo design, produção, gerenciamento e serviços.
A tecnologia e os produtos de inteligência artificial (IA), após anos de testes práticos, agora são amplamente aplicados e estão acelerando a integração da IA em vários setores.
De uma perspectiva técnica, é comumente aceito no setor que os principais recursos da inteligência artificial podem ser categorizados em três níveis: inteligência computacional, inteligência perceptual e inteligência cognitiva.
A inteligência computacional refere-se à capacidade superior de armazenamento e aos recursos computacionais ultrarrápidos de uma máquina. Ela pode realizar aprendizado profundo com base em dados massivos, usando a experiência histórica para orientar o ambiente atual.
Com o desenvolvimento contínuo da capacidade de computação e a atualização constante dos métodos de armazenamento, pode-se dizer que a inteligência computacional foi concretizada.
Por exemplo, o AlphaGo, usando a tecnologia de aprendizagem por reforço, derrotou o campeão mundial de Go, e as plataformas de comércio eletrônico empregam a aprendizagem profunda com base nos hábitos de compra do usuário para recomendações personalizadas de produtos.
A inteligência perceptual refere-se à capacidade das máquinas de possuir sentidos como visão, audição e tato. Ela pode estruturar dados não estruturados e interagir com os usuários por meio de métodos de comunicação humana.
Com o avanço de várias tecnologias, o valor de mais dados não estruturados é reconhecido e explorado. A inteligência perceptual relacionada aos sentidos, como voz, imagem, vídeo e pontos de contato, também está evoluindo rapidamente.
Os veículos autônomos e os renomados robôs da Boston Dynamics empregam inteligência perceptual; eles percebem e processam seus arredores por meio de vários sensores, orientando efetivamente suas operações.
Em comparação com a inteligência computacional e perceptual, a inteligência cognitiva é mais complexa; ela se refere à capacidade da máquina de entender, induzir, raciocinar e utilizar o conhecimento como um ser humano.
Atualmente, a tecnologia de inteligência cognitiva ainda está em fase de pesquisa e exploração.
Por exemplo, no setor de segurança pública, a extração de recursos e a análise de padrões de comportamentos micro e macro de criminosos, o desenvolvimento de modelos e sistemas de inteligência artificial para previsão de crimes, penetração de fundos e simulação da evolução de crimes urbanos.
No setor financeiro, ela é usada para identificar transações suspeitas e prever flutuações macroeconômicas. Ainda há um longo caminho a percorrer para acelerar o desenvolvimento da inteligência cognitiva.
Do ponto de vista do aplicativo, a implantação de uma única tecnologia de inteligência artificial pode abranger várias camadas de recursos essenciais, como inteligência computacional e inteligência perceptual.
Robôs industriais, smartphones, carros autônomos, drones e outros produtos inteligentes servem como portadores de inteligência artificial.
Esses produtos, por meio da combinação de hardware e vários tipos de software, possuem a capacidade de perceber, fazer julgamentos e interagir em tempo real com os usuários e o ambiente, tudo isso enquanto integram vários recursos essenciais da inteligência artificial.
Por exemplo, na manufatura, uma variedade de robôs inteligentes é amplamente utilizada: Os robôs de classificação/coleta podem reconhecer e agarrar objetos irregulares de forma autônoma.
Os robôs colaborativos são capazes de compreender e responder ao ambiente ao seu redor. Os carrinhos de mão automatizados podem reconhecer rostos para iniciar o rastreamento autônomo.
Com o auxílio da tecnologia SLAM (Simultaneous Localization and Mapping, localização e mapeamento simultâneos), os robôs móveis autônomos podem utilizar sensores integrados para identificar marcadores de recursos em ambientes desconhecidos e, em seguida, estimar as coordenadas globais do robô e desses marcadores de recursos com base na localização relativa e nas leituras do odômetro.
A tecnologia de direção autônoma, em termos de posicionamento, percepção ambiental, planejamento de rotas, tomada de decisões comportamentais e controle, também integra várias tecnologias e algoritmos de inteligência artificial.
As aplicações atuais da inteligência artificial nos setores de manufatura abrangem principalmente produtos de interação inteligente por voz, reconhecimento facial, reconhecimento de imagens, pesquisas de imagens, reconhecimento de impressões de voz, reconhecimento de texto, tradução automática, aprendizagem automática, computação de big data e visualização de dados.
O texto a seguir resume oito cenários comuns de aplicativos de IA usados com frequência na manufatura.
Cenário um: classificação inteligente
Muitas tarefas na manufatura exigem classificação. Se for realizado manualmente, o processo é lento, caro e depende da manutenção de um ambiente de temperatura de trabalho adequado. A implementação de robôs industriais para classificação inteligente pode reduzir significativamente os custos e aumentar a velocidade.
Considere o exemplo da classificação de peças. As peças que precisam ser classificadas geralmente não estão bem organizadas e, embora o robô tenha uma câmera para ver as peças, ele não sabe como pegá-las com sucesso. Nessa situação, a tecnologia de aprendizado de máquina pode ser usada.
O robô executa uma ação de classificação aleatória e, em seguida, é informado se a ação foi bem-sucedida ou não na coleta de uma peça.
Após várias iterações de treinamento, o robô aprende a sequência de ações de classificação com a maior taxa de sucesso, as posições ideais para agarrar para uma coleta bem-sucedida e a ordem de classificação que produz a maior taxa de sucesso.
Após várias horas de aprendizado, a taxa de sucesso de classificação do robô pode chegar a 90%, equivalente ao nível de um trabalhador qualificado.
Cenário dois: gerenciamento da integridade do equipamento
Ao realizar o monitoramento em tempo real de operação da máquina Com o uso de dados, análise de recursos e técnicas de aprendizado de máquina, podemos prever falhas em equipamentos antes que ocorram acidentes, reduzindo o tempo de inatividade não programado.
Por outro lado, diante de uma falha repentina do equipamento, podemos diagnosticar rapidamente o problema, identificar a causa e fornecer as soluções correspondentes.
Isso é comumente aplicado no setor de manufatura, especialmente em engenharia química, equipamentos pesados, processamento de hardware, manufatura 3C, energia eólica e outros setores.
Pegue Máquinas-ferramentas CNC como exemplo. Ao usar algoritmos de aprendizado de máquina e sensores inteligentes para monitorar informações como potência, corrente e tensão de ferramentas de corteDurante o processo de usinagem, podemos identificar a tensão, o desgaste e o estado de dano das ferramentas, bem como o status de estabilidade do processamento da máquina-ferramenta.
Com base nesses estados, podemos ajustar os parâmetros de usinagem (velocidade do fuso, velocidade de avanço) e as instruções de processamento em tempo real, prevendo quando substituir a ferramenta para aumentar a precisão da usinagem, reduzir o tempo de inatividade da linha de produção e aumentar a segurança do equipamento.
Cenário três: Detecção de defeitos de superfície com base na visão
A aplicação da visão mecânica para a detecção de defeitos de superfície agora é comum na fabricação.
A visão mecânica pode identificar rapidamente defeitos menores e complexos na superfície do produto em milissegundos, sob condições em constante mudança, e classificá-los, como a detecção de contaminantes, danos e rachaduras na superfície.
Algumas empresas de inteligência industrial combinaram a aprendizagem profunda com microscópios 3D para aumentar a precisão da detecção de defeitos até o nível nanométrico.
Para produtos defeituosos detectados, o sistema pode determinar automaticamente se eles podem ser reparados, planejar o caminho e o método de reparo e, em seguida, o maquinário executa a ação de reparo.
Por exemplo, o tubo de PVC é um dos materiais de construção mais comumente usados e é consumido em grandes quantidades.
É propenso a arranhões na superfície, buracos, ondulações de água e superfícies foscas durante o processo de produção e embalagem, exigindo uma quantidade significativa de mão de obra para inspeção.
Depois de implementar a detecção visual automática de defeitos de superfície, as impurezas na superfície do tubo são detectadas automaticamente, definindo os tamanhos mínimo e máximo da área, com uma precisão de detecção mínima de 0,15 mm² e uma taxa de detecção superior a 99%.
Os arranhões na superfície do tubo são detectados automaticamente com a configuração dos comprimentos e larguras mínimos e máximos, com uma precisão de detecção mínima de 0,06 mm e uma taxa de detecção superior a 99%.
As rugas na superfície do tubo são detectadas automaticamente ao definir os comprimentos mínimo e máximo, as larguras, os comprimentos de segmento e os limites de diferença de cor, com uma precisão de detecção mínima de 10 mm e uma taxa de detecção superior a 95%.
Cenário quatro: Inspeção da qualidade do produto e determinação de falhas com base no reconhecimento de impressão de voz
Utilizando a tecnologia de reconhecimento de impressão vocal, podemos detectar automaticamente sons anômalos, identificar produtos defeituosos e comparar com um banco de dados de impressão vocal para a determinação de falhas.
Por exemplo, desde o final de 2018, a fábrica da Faurecia (Wuxi) iniciou uma colaboração abrangente com a equipe de Big Data Science do grupo, dedicada a aplicar a tecnologia de IA à avaliação de desempenho de NVH (ruído, vibração e aspereza) dos ajustadores de assento.
Em 2019, a fábrica da Faurecia (Wuxi) incorporou a tecnologia de IA na detecção de som anômalo dos ajustadores, realizando a automação de todo o processo, desde a coleta de sinais, armazenamento de dados, análise de dados até o autoaprendizado. A eficiência e a precisão da detecção excedem em muito a inspeção manual tradicional.
Com a implementação do sistema de detecção de ruído baseado na tecnologia de IA na fábrica de Wuxi, o número de funcionários diminuiu de 38 para 3. Simultaneamente, a capacidade de controle de qualidade melhorou significativamente, com um benefício econômico anual de 4,5 milhões de RMB.
Quinta cena: Tomada de decisão inteligente
As empresas de manufatura podem aplicar tecnologias de inteligência artificial, como o aprendizado de máquina, em conjunto com a análise de big data para otimizar os métodos de programação, aprimorando seus recursos de tomada de decisão em áreas como qualidade do produto, gerenciamento operacional, gerenciamento do consumo de energia e gerenciamento de ferramentas.
Por exemplo, o sistema de gerenciamento de produção inteligente da FAW Jiefang Wuxi Diesel Engine Factory apresenta recursos como coleta de dados de anomalias e programação de produção, diagnóstico de causas anormais com base em árvores de decisão, previsão de tempo de inatividade de equipamentos com base em análise de regressão e otimização de decisões de programação com base em aprendizado de máquina.
Usando 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 treinamento e empregando algoritmos de rede neural, os parâmetros do algoritmo de avaliação da decisão de programação são ajustados para garantir que as decisões de programação atendam aos requisitos reais de produção.
Sexta cena: Geminação digital
A geminação digital é o espelhamento de entidades físicas no mundo virtual. A criação de gêmeos digitais integra inteligência artificial, aprendizado de máquina e dados de sensores para estabelecer um modelo "real" vívido, atualizado em tempo real, que dá suporte à tomada de decisões durante todo o ciclo de vida dos produtos físicos.
Ao buscar a modelagem de ordem reduzida de entidades gêmeas digitais, a complexidade e os modelos não lineares podem ser colocados em redes neurais. Aproveitando a aprendizagem profunda, é estabelecida uma meta finita, na qual se baseia a modelagem de ordem reduzida.
Por exemplo, no modelo tradicional, a simulação térmica e de fluido de uma saída de um tubo de água quente e fria, usando um servidor de 16 núcleos, requer 57 horas por cálculo. Após a implementação da modelagem de ordem reduzida, cada cálculo leva apenas alguns minutos.
Sétima cena: Design Generativo
O design generativo é um processo interativo e autoinovador. Quando os engenheiros estão projetando produtos, eles só precisam definir os parâmetros desejados e as restrições de desempenho sob a orientação do sistema, como material, peso, volume etc.
Combinando isso com algoritmos de inteligência artificial, centenas a milhares de soluções viáveis podem ser geradas automaticamente de acordo com a intenção do designer. Em seguida, elas são comparadas de forma autônoma e o design ideal é selecionado e recomendado ao designer para a decisão final.
O design generativo tornou-se um novo campo interdisciplinar, profundamente integrado às tecnologias de computação e inteligência artificial, aplicando algoritmos e tecnologias avançadas ao processo de design.
Os algoritmos generativos amplamente utilizados incluem sistemas paramétricos, gramáticas de forma (SG), sistemas L, autômatos celulares (CA), algoritmos de otimização de topologia, sistemas evolutivos e algoritmos genéticos.
Oitava cena: Previsão de demanda e otimização da cadeia de suprimentos
Aproveitando a inteligência artificial, estabelecemos modelos precisos de previsão de demanda, permitindo que as empresas façam previsões de vendas, antecipem os requisitos de peças de reposição e tomem decisões orientadas pela demanda.
Simultaneamente, por meio da análise de dados externos e com base em previsões de demanda, formulamos estratégias de reposição de estoque, avaliações de fornecedores e seleção de peças.
Por exemplo, em um esforço pragmático para controlar os custos de gerenciamento da produção, a American Honda Motor Company buscou entender quando ocorreria a demanda futura dos clientes.
Portanto, eles criaram um modelo preditivo usando dados de vendas e manutenção de 1.200 concessionárias. Esse modelo estima o número de veículos que retornarão às concessionárias para manutenção nos próximos anos.
Em seguida, as informações foram usadas para definir padrões de referência para a pré-preparação de várias peças. Essa transformação permitiu que a American Honda atingisse uma precisão de previsão de até 99% e reduzisse em três vezes o tempo de reclamação do cliente.
Atualmente, com um número crescente de empresas, universidades e organizações de código aberto entrando no campo da inteligência artificial, um grande fluxo de plataformas e softwares de código aberto de IA bem-sucedidos está levando a um boom sem precedentes na inteligência artificial.
Entretanto, em comparação com setores como o financeiro, as aplicações de IA na manufatura, embora numerosas, não são particularmente proeminentes e pode-se dizer que seu desenvolvimento tem sido relativamente lento.
Os principais motivos para esses problemas decorrem das três áreas a seguir:
1. A coleta, a utilização e o desenvolvimento de dados durante o processo de fabricação apresentam desafios significativos. Além disso, a maioria das empresas depende principalmente de bancos de dados privados e de escala limitada, o que resulta em uma falta de amostras de aprendizado de máquina de alta qualidade. Isso restringe o processo de autoaprendizagem da máquina.
2. Existe uma variedade de diferenças entre os setores de manufatura, o que aumenta a complexidade das soluções de inteligência artificial e a demanda por personalização.
3. Em vários setores, há uma falta de empresas líderes que possam impulsionar a tendência de integrar profundamente a inteligência artificial à manufatura.
Ao abordar esses três problemas críticos, a tecnologia de inteligência artificial poderia ser melhor aplicada no setor de manufatura.
Como fundador do MachineMFG, dediquei mais de uma década de minha carreira ao setor de metalurgia. Minha vasta experiência permitiu que eu me tornasse um especialista nas áreas de fabricação de chapas metálicas, usinagem, engenharia mecânica e máquinas-ferramentas para metais. Estou sempre pensando, lendo e escrevendo sobre esses assuntos, esforçando-me constantemente para permanecer na vanguarda do meu campo. Permita que meu conhecimento e experiência sejam um trunfo para sua empresa.
PT_BR 
EN 
AR 
DE 
ES 
FR 
ID 
IT 
JA 
NL 
PT 
RU 
KO 
TR