42 INTELIGÊNCIA ARTIFICIAL O primeiro passo é analisar o estado atual do processo de produção. Com base nos resultados, os especialistas identificam áreas potenciais de otimização, estabelecem metas e desenvolvem um conceito para implementação do ML4P. No passo seguinte, verificam se o conceito pode realmente ser implementado com a maquinaria disponível e respetivos dados e como ele se alinha com os objetivos da empresa. “O modelo de processo é dividido em várias fases que se constroem umas sobre as outras. A decisão de uma empresa optar de facto pela ML4P só é tomada quando há a certeza de que o conceito é viável, fácil de implementar e economicamente razoável”, diz Lars Wessels, gestor de projeto adjunto do ML4P. O passo seguinte envolve a transformação dos dados do processo da maquinaria nummodelo de informação digital abrangente. Neste processo, o conhecimento especializado é tão importante como os dados. Os engenheiros envolvem-se ativamente e contribuem com o seu conhecimento sobre todas as etapas do processo, incluindo as tarefas específicas e interações das máquinas. O conhecimento especializado é integrado no pipeline do ML4P, que aprende ummodelo de processo a partir dos dados de máquinas. Seguem-se a implementação e as operações de teste. Finalmente o modelo de processo é implementado e a produção diária começa. FERRAMENTAS FLEXÍVEIS E PADRÕES DA INDÚSTRIA O pacote de software oferece uma gama de ferramentas para implementar uma produção otimizada pela AA, incluindo ferramentas genéricas para tarefas típicas, como a monitorização do estado de funcionamento de uma máquina. Estas são compatíveis com uma série de interfaces de comunicação industrial, tais como OPC UA (Open Platform Communications Unified Architecture). Sempre que possível, os investigadores do Fraunhofer tentaram evitar o uso de protocolos de software proprietário, confiando em vez disso em padrões estabelecidos e interfaces de programação. Outros pontos fortes deste conceito são a sua escalabilidade e flexibilidade. Uma vez em funcionamento, cada módulo pode ser personalizado a qualquer momento e utilizar os novos dados recebidos para atualizar continuamente o modelo de Modelo de processo ML4P para implementação de métodos de aprendizagem automática na produção industrial. Imagem: Fraunhofer. processo e, assim, destacar potencial para uma maior otimização. Pode ser integrada maquinaria nova, bem como a maioria das máquinas mais antigas - mesmo as que têm 30 ou 40 anos". O que está em causa não são propriamente as máquinas, mas o facto de serem capazes de fornecer dados adequados, por exemplo, se estão equipadas com sensores dedicados", diz Wessels. As empresas mais pequenas também podem aplicar o ML4P, mesmo que queiram apenas otimizar partes específicas de um processo de fabrico. “Muitas empresas ainda são céticas quanto ao uso da inteligência artificial ou AA porque ainda não reconheceram o enorme potencial que a aprendizagem automática traz para a produção. No entanto, a plataforma modular da Fraunhofer proporciona transparência, flexibilidade e escalabilidade, reduzindo assim a barreira à entrada”, diz Frey. A equipa do ML4P já testou o conceito integrado em vários campos de aplicação. No Fraunhofer Institute for Machine Tools and Forming Technology IWU foram desenvolvidas soluções para a modelagem de chapa metálica a quente. O Fraunhofer Institute for Factory Operation and Automation IFF otimizou a produção de f iltros de membrana e o Fraunhofer Institute for Mechanics of Materials IWM testou o pacote de software numa fábrica de dobragem de vidro. As ferramentas de software foram continuamente melhoradas com base na experiência adquirida durante estes testes no terreno. “Estamos muito felizes pelo facto de o ambicioso projeto ML4P ter sido concluído com sucesso após quatro anos de trabalho. Pela primeira vez, as empresas do ramo da fabricação têm a oportunidade de experimentar todo o potencial de otimização que a aprendizagem automática pode trazer para a produção”, diz Frey. n
RkJQdWJsaXNoZXIy Njg1MjYx