Ciência de dados na manufatura: uma visão geral

cupom com desconto - o melhor site de cupom de desconto cupomcomdesconto.com.br


[Esteartigofoipublicadopelaprimeiravezem[Thisarticlewasfirstpublishedon R – Olá! Eu sou Nagdev, e gentilmente contribuiu para os R-blogueiros]. (Você pode relatar um problema sobre o conteúdo desta página aqui)


Deseja compartilhar seu conteúdo com R-blogueiros? clique aqui se você tiver um blog ou aqui se não tiver.

Artigo original publicado em opendatascience.com

Nos últimos anos, a ciência de dados viu um imenso influxo em várias aplicações industriais em geral. Hoje, podemos ver a ciência de dados aplicada em serviços de saúde, atendimento ao cliente, governos, segurança cibernética, mecânica, aeroespacial e outras aplicações industriais. Entre essas, a manufatura ganhou mais destaque ao atingir uma meta simples de Just-in-Time (JIT). Nos últimos 100 anos, a manufatura passou por quatro grandes revoluções industriais. Na primeira Revolução Industrial, vimos uma transição da captação de energia a vapor para energia mecânica. Na segunda revolução industrial, vimos a produção em lotes para as linhas de montagem, o que tornou as coisas mais acessíveis (por exemplo: o Modelo T da Ford foi um resultado importante) e, na terceira, vimos o uso significativo de computadores e robótica. Entre o terceiro e o quarto, houve uma onda de manufatura enxuta que ainda está sendo adotada por muitos fabricantes. Atualmente, estamos passando pela quarta Revolução Industrial, na qual dados de máquinas, ambiente e produtos estão sendo coletados para se aproximar do objetivo simples do Just-in-Time; “Fabricar os produtos certos em quantidades certas, no momento certo.” Alguém pode perguntar por que o JIT é tão importante na fabricação? A resposta simples é reduzir o custo de fabricação e tornar os produtos mais acessíveis para todos.

Neste artigo, tentarei responder a algumas das perguntas mais frequentes sobre ciência de dados na fabricação

As aplicações da ciência de dados na fabricação são diversas. Para citar algumas manutenções preditivas, qualidade preditiva, análises de segurança, análises de garantia, monitoramento de instalações da fábrica, visão computacional, previsão de vendas, previsão de KPI e muito mais [1] como mostrado na Figura 1 [2].

Figura 1: Oportunidades de ciência de dados na fabricação [2]

Manutenção preditiva: A avaria da máquina na fabricação é muito cara. O tempo de inatividade não planejado é o maior contribuinte dos custos indiretos de fabricação. O tempo de inatividade não planejado custa às empresas uma média de US $ 2 milhões nos últimos três anos. Em 2014, o custo médio por tempo de inatividade por hora foi de US $ 164.000. Em 2016, essa estatística havia explodido em 59%, para US $ 260.000 por hora [3]. Isso levou a adotar tecnologias como monitoramento baseado em condições e manutenção preditiva. Os dados do sensor das máquinas são monitorados continuamente para detectar anomalias (usando modelos como PCA-T2, SVM de classe única, codificadores automáticos e regressão logística), diagnosticar modos de falha (usando modelos de classificação como SVM, floresta aleatória, árvores de decisão e redes neurais), prever o tempo até a falha (TTF) (usando combinação de técnicas como análise de sobrevivência, modelos de atraso, ajuste de curva e regressão) e previsão ideal de tempo de manutenção (usando técnicas de pesquisa operacional) [4] [5].

Leia Também  March Networks apresenta a primeira câmera de vigilância HDR autônoma do mundo para caixas eletrônicos bancários

Visão por Computador: Os sistemas tradicionais de visão computacional medem as peças quanto à tolerância para determinar se são aceitáveis ​​ou não. A detecção da qualidade das peças quanto a defeitos como marcas de arranhões, arranhões e amassados ​​é igualmente importante. Tradicionalmente, os humanos eram usados ​​para inspecionar tais defeitos. Hoje, tecnologias de IA, como CNN, RCNN e Fast RCNN, provaram ser mais precisas do que suas contrapartes humanas e demoram muito menos tempo na inspeção. Portanto, reduzindo significativamente o custo dos produtos [6].

Previsão de vendas: Prever tendências futuras sempre ajudou a otimizar os recursos para obter lucratividade. Isso é verdade em vários setores, como manufatura, companhias aéreas e turismo. Na manufatura, conhecer antecipadamente os volumes de manufatura ajuda a otimizar os recursos, como cadeia de suprimentos, balanceamento de máquina-produto e força de trabalho. Técnicas que vão desde modelos de regressão linear, ARIMA, até modelos mais complicados, como o LSTM, estão sendo usadas hoje para otimizar os recursos.

Previsão de qualidade: A qualidade dos produtos que saem das máquinas é previsível. As técnicas estatísticas de controle de processo são as ferramentas mais comuns encontradas na área de fabricação que nos dizem se o processo está sob controle ou fora de controle, como mostra a Figura 2. O uso de técnicas estatísticas, como regressão linear no tempo e na qualidade do produto, nos renderia. uma linha de tendência razoável. Essa linha é extrapolada para responder a perguntas como “Quanto tempo temos antes de começar a produzir peças ruins?”

Os itens acima são apenas alguns dos aplicativos mais comuns e populares. Ainda existem vários aplicativos ocultos e ainda a serem descobertos.

Figura 2: um exemplo de gráfico de barras X do pacote qcc de R

cupom com desconto - o melhor site de cupom de desconto cupomcomdesconto.com.br

De acordo com uma estimativa para os EUA, “o Big Data Analytics no mercado da indústria de transformação foi avaliado em US $ 904,65 milhões em 2019 e deve chegar a US $ 4,55 bilhões até 2025, a um CAGR de 30,9% no período previsto para 2020-2025. [7]Em outra estimativa, “a TrendForce prevê que o tamanho do mercado global de soluções inteligentes de manufatura ultrapassará US $ 320 bilhões até 2020. [8]Em outro relatório, foi declarado que “o tamanho do mercado global de manufatura inteligente é estimado em US $ 395,24 bilhões até 2025, registrando um CAGR de 10,7%, de acordo com um novo estudo da Grand View Research, Inc. [9]”

Leia Também  mais jogos da vida | R-bloggers

Existem vários desafios para a aplicação da ciência de dados na fabricação. Alguns dos mais comuns que encontrei são os seguintes

Falta de conhecimento no assunto: A ciência de dados é um campo muito novo. Toda aplicação em ciência de dados requer seu próprio conjunto principal de habilidades. Da mesma forma, na fabricação, é muito importante conhecer as terminologias, regras e regulamentos de fabricação e processo, o entendimento dos negócios, os componentes da cadeia de suprimentos e a engenharia industrial. A falta de PME levaria a resolver o conjunto errado de problemas, levando a projetos com falha e, mais importante, a perder a confiança. Quando alguém me pergunta o que é um cientista de dados de manufatura?, Mostro a eles esta bela imagem na Figura 3.

Figura 3: Quem é um cientista de dados de fabricação?

Reinventando a roda: Todo problema em um ambiente de fabricação é novo e as partes interessadas são diferentes. A implantação de uma solução padrão é arriscada e, mais importante, em algum momento, ela pode falhar. Todo novo problema tem uma parte da solução que está prontamente disponível e o restante precisa ser projetado. A engenharia envolve o desenvolvimento de novos fluxos de trabalho do modelo de ML e / a criação de novos pacotes de ML para o caso mais simples e o desenvolvimento de um novo sensor ou hardware nos mais complexos. Na minha experiência nos últimos dois anos, estive nos dois extremos e gostei.

Um cientista de dados na fabricação usa uma combinação de ferramentas em todas as etapas do ciclo de vida do projeto. Por exemplo:

1. Estudo de viabilidade: Notebooks (markdown R & Jupyter), GIT e PowerPoint

“Sim! Você leu certo. O PowerPoint ainda é muito necessário em qualquer organização. As ferramentas de BI estão se esforçando para assumi-las. Na minha experiência com meia dúzia de ferramentas de BI, o PowerPoint ainda está em primeiro lugar em termos de narrativa. ”

2. Prova de conceito: R, Python, SQL, PostgreSQL, MinIO e GIT

3. Ampliação: pipelines Kubernetes, Docker e GIT

Conclusão:

Atualmente, a aplicação da ciência de dados na fabricação é muito nova. Novos aplicativos estão sendo descobertos todos os dias e várias soluções são inventadas constantemente. Em muitos projetos de manufatura (investimentos de capital), o ROI é realizado ao longo dos anos (5 a 7 anos). Os projetos de ciência de dados implantados com mais sucesso têm seu ROI em menos de um ano. Isso os torna muito apreciáveis. A ciência de dados é apenas uma das muitas ferramentas que as indústrias de manufatura estão usando atualmente para atingir seu objetivo de JIT. Como uma manufatura

Leia Também  Prevendo o trem do hype dos videogames - Brincando com o Naïve Bayesian Learning

cientista de dados, algumas das minhas recomendações são dedicar tempo suficiente para entender a declaração do problema, buscar os frutos mais baixos, obter as vitórias iniciais e criar confiança na organização.

Estarei na ODSC East 2020, apresentando “Manutenção Preditiva: Zero para Implantação na Manufatura”. Faça uma parada para saber mais sobre nossa jornada na implantação de manutenção preditiva no ambiente de produção.

Referências

[1] ActiveWizards, “Os 8 principais casos de uso de ciência de dados na fabricação” [Online]. Disponível: https://activewizards.com/blog/top-8-data-science-use-cases-in-manufacturing/.

[2] IIoT World, “iiot-world.com” [Online]. Disponível: https://iiot-world.com/connected-industry/what-data-science-actually-means-to-manufacturing/. [Accessed 02 10 2020].

[3] Sistemas Swift, “Sistemas Swift” [Online]. Disponível: https://swiftsystems.com/guides-tips/calculate-true-cost-downtime/.

[4] N / D. T. G. Amruthnath, “Previsão de classe de falhas na aprendizagem não supervisionada usando a abordagem de cluster baseada em modelo.”, Em In 2018 Conference International on Information and Computer Technologies (ICICT), Chicago, 2018.

[5] N / D. T. G. Amruthnath, “Um estudo de pesquisa sobre algoritmos de aprendizado de máquina não supervisionados para detecção precoce de falhas em manutenção preditiva.”, Em Em 5ª Conferência Internacional de Engenharia Industrial e Aplicações Industriais (ICIEA), em 2018, em 2018.

[6] T. Y. C. M. Q. a. H. S. Wang, “Um modelo de detecção de defeitos baseado em rede neural convolucional rápida e robusta no controle de qualidade do produto.”, The International Journal of Advanced Manufacturing Technology, vol. 94, n. 9-12, pp. 3465-3471, 2018.

[7] “Análise de big data no mercado da indústria de transformação – crescimento, tendências e previsão (2020 – 2025)”, Mordor Intelligence, 2020.

[8] Trendforce, “TrendForce prevê que o tamanho do mercado global de soluções inteligentes de manufatura supere os US $ 320 bilhões até 2020; Desenvolvimento de produtos favorece soluções integradas ”, 2017.

[9] Pesquisa Grand View. Inc, “Tamanho do mercado de manufatura inteligente no valor de US $ 395,24 bilhões até 2025”, 2019.



Se você chegou até aqui, por que não inscreva-se para atualizações do site? Escolha seu sabor: e-mail, Twitter, RSS ou facebook …



cupom com desconto - o melhor site de cupom de desconto cupomcomdesconto.com.br