Linhas de Pesquisa
Monitoramento e Controle em Tempo Real
Embora a instrumentação de plantas já seja uma realidade em várias fábricas brasileiras, a Inteligência Artificial terá um papel disruptivo no monitoramento e controle de ambiente industrial. Esta linha pretende explorar o estado da arte de IA em equipamentos com IA embarcada, assim como implementar tomadas de decisão dentro de processos industriais, estratégias de monitoramento e processamento de dados em tempo real de modo a proporcionar abordagens multi-paramétricas de equipamentos e maquinários industriais e elaborar uma correlação dos dados obtidos por meio de coleta e análise dirigidas por dados. Neste aspecto, os resultados tendem a refletir a condição atual das máquinas e indicar alterações de condições operacionais que possam implicar em problemas de calibração, falhas e diminuição de desempenho, por exemplo. As análises podem levar em consideração medições inteligentes, sinais, variações de vibrações, temperatura, corrente e imagens (HU et al., 2020).
No que tange o escopo de atuação desta linha, alguns temas serão a base inicial dos estudos, além de técnicas utilizadas para superar os desafios propostos pelos representantes das indústrias. O Escopo preliminar envolve:
-
Metrologia 4.0: Este tema é importante para a confiabilidade dos dados digitalizados do ambiente físico ou fabril por meio de medições e monitoramentos por sensores, medidores e equipamentos. O processo metrológico atual de calibração desses elementos acaba sendo um desafio operacional, pois exige muitas vezes a necessidade de interrupção da produção. A calibração em várias etapas de um processo fabril em tempo real com a produção delineia um desafio de alta complexidade a ser superado pela aplicação de IA criando um ambiente onde as condições não controladas dos processos, tais como fenômenos dinâmicos que envolvem sincronismo, tempo de resposta e velocidade de processamento, podendo levar a avaliações errôneas dos resultados obtidos (EURAMET, 2020);
-
Realidade estendida (RE): A realidade estendida oferece uma nova perspectiva de visualização e monitoramento em tempo real de informações de máquinas e equipamentos, assim como informações operacionais de toda a linha de produção. Auxilia na simulação, assistência e orientação, aumentando a percepção do operador que poderá utilizar informações artificiais inseridas no ambiente real. Também pode estar presente na automação de processos industriais e no desenvolvimento do produtos e processos de fabricação (ALCÁCER; CRUZ-MACHADO, 2019; ELSTNER, 2020);
-
Internet das Coisas Industrial (IIoT): Com o cenário e avanço das tecnologias de IoT, novas formas de coletar informações do ambiente produtivo promovem novos desafios e necessidades de monitoramento e controle, possibilitando uma estratégia de uso da IA embarcada em dispositivos sensores ou em equipamentos de borda que podem estar inseridas no contexto de tecnologias de automação ou tecnologias da informação de ambientes industriais e a necessidade de um framework metrológico específico para IIoT;
-
Reconhecimento de padrões e falhas: Diagnóstico automático de falhas e reconhecimento de padrões são algumas das principais necessidades na indústria, uma vez que um sistema eficiente de diagnóstico pode reduzir custos, aumentar a segurança e o desempenho de processo nas indústrias (GHOLAMINEJAD; POSHTAN, 2017). Novos métodos de Inteligência Artificial, como machine learning e técnicas avançadas de processamento de imagens (como redes convolucionais), e o processamento de sinais (como soluções em nuvem, modelagem preditiva) têm obtido bons resultados em novas formas de avaliar falhas na linha de produção, assim como reconhecer padrões e realizar inspeção visual de forma geral, seja por visão computacional, processamento e análise de sinais e imagens (GHOLAMINEJAD; POSHTAN, 2017; LIANG et al., 2019);
-
Desempenho e otimização de máquinas: O desempenho e a readequação da produção baseada nos parâmetros obtidos por meio do monitoramento em tempo real dependem da aplicação de IA para obter melhores resultados, seja para atuar no controle da capacidade, ou ações operacionais de reorganização inteligente e automática da linha;
-
Desenvolvimento de sensores especiais para uso em IA: Para que seja possível a realização de monitoramento e controle em tempo real em todos os temas acima mencionados, é importante que exista a capacidade de desenvolvimento de sensores que poderão considerar demandas específicas de monitoramento, uma vez que nem sempre será possível encontrar no mercado sensores que atendam às especificações exigidas pelos projetos que serão desenvolvidos nesta proposta. Leo et al. (2016) e Abot et al. (2018) apresentam exemplos destes sensores.
No que tange os desafios de pesquisa da utilização da IA e dos principais pilares da indústria 4.0 no monitoramento e controle em tempo real, elenca-se uma série de desafios que promovem cenários disruptivos e incrementais que trarão novas perspectivas de inovação: a digitalização dos dados em tempo real, a virtualização e conversão em redução de custos e horas de processos de fabricação refletem na construção e determinação de ecossistemas industriais de Inteligência Artificial envolvendo os setores industriais, as necessidade e atributos de sistemas inteligentes, além de questões relacionadas à qualidade de dados e metodologias de sistemas transformativos.
Objetiva-se que este projeto tenha impacto: a) no desenvolvimento de uma fábrica autônoma no controle e monitoramento em tempo real com IA, indicando problemas de calibração, falha, segurança operacional; b) no aumento de produtividade, com diminuição de ociosidade e, complementarmente, a diminuição dos custos, aumento da segurança e do desempenho com manutenção preventiva e/ou corretiva; c) no auxílio ao diagnóstico rápido, produtividade, competitividade de mercado e automação inteligente de processos industriais da visão computacional e do processamento de imagens com uso de realidade estendida e IA; d) na aplicação das técnicas no controle da qualidade do produto em tempo real integrado ao processo de manufatura (GAMER et al., 2020).
Referências
