Como os gêmeos digitais acrescentam um novo nível de inteligência na fabricação de metal

hafakot/iStock/Getty Images Plus

Imagine um gerente de fábrica chegando de manhã, abrindo um aplicativo de laptop ou telefone e perguntando: “No que devo prestar atenção hoje?” O sistema então apresentaria problemas potenciais. Uma máquina caiu inesperadamente. Um trabalho do turno anterior demorou mais que o esperado. Talvez um departamento tenha poucas pessoas. O sistema sugere alterações e o gerente da fábrica as aceita ou ajusta conforme necessário.

Tal cenário não é ficção científica. Na verdade, a tecnologia poderá se tornar real já no próximo ano. No momento em que este livro foi escrito, a Ultisim, uma empresa sediada em Chapel Hill, Carolina do Norte, especializada em gêmeos digitais, está trabalhando com um fabricante para desenvolver tal sistema, reunindo dados de máquinas, plataformas de planejamento de recursos empresariais e uma infinidade de outras fontes. Ele usa uma interface de modelo de linguagem grande semelhante àquela que ficou famosa pelo ChatGPT, mas focada em resolver os problemas enfrentados pelos fabricantes.

“Cada pedido que [este fabricante] recebe é personalizado”, disse Richard Boyd, CEO da Ultisim e de sua empresa irmã Tanjo, que se concentra nos blocos de construção algorítmicos de aprendizado de máquina e inteligência artificial (IA). “Toda essa variedade é o que torna tudo difícil e interessante. Se resolvermos os problemas deles, poderemos resolver outros problemas com muito mais facilidade.”

Esses modelos com alto mix de produtos estão no domínio da fabricação de metal personalizado, que é uma das razões pelas quais Boyd planeja trazer sua solução para esse mercado (ele falará em setembro, em Chicago, na FABTECH). Na maioria das fábricas personalizadas, cada trabalho pode ter um roteamento específico através de fluxos de valor específicos; máquinas; ou departamentos centrados em processos, como corte, dobra, ferragens, soldagem, revestimento em pó e montagem; com (dependendo do roteamento do trabalho) uma variedade de operações secundárias espalhadas entre eles.

Todos na organização podem visualizar o gêmeo digital através do que Boyd chamou de “lentes” adaptadas para pessoas e funções de trabalho específicas. Alguém em finanças teria uma lente diferente de alguém em vendas, programação ou planejamento de produção.

Além disso, os dados que constroem o gêmeo não seriam movidos de seu local original. “Não precisamos de um grande lago de dados”, disse Boyd, acrescentando que o sistema pode extrair o que precisa e “deixar os dados onde estão”. A última coisa que uma empresa deseja é copiar dados para um local central, já que o ato de copiar fornece múltiplas versões dos mesmos dados e leva a todo tipo de complexidade desnecessária.

Fazer com que tudo isto aconteça exige vários ingredientes essenciais, sendo o primeiro os dados digitalizados. Sim, a maioria dos fabricantes possui máquinas modernas que capturam muitos dados, mas provavelmente ainda dependem de máquinas antigas e simples em alguns departamentos. O ferro velho morre com dificuldade e, mecanicamente falando, eles ainda fazem bem o trabalho. Eles precisarão, no entanto, de sensores adicionais para digitalizar o que fazem (quantos golpes, pés ou peças por minuto ou hora para este ou aquele trabalho), mas isso realmente não é um desafio, especialmente agora.

“Tivemos uma revolução nos sensores”, disse Boyd, acrescentando que alguns tipos estão agora a ser impressos – não por impressoras 3D, mas por tecnologia relativamente antiga de matriz de pontos. Mesmo os sensores ópticos são baratos, portanto adicioná-los a máquinas antigas não é mais um obstáculo econômico ou mesmo técnico.

O que tem sido um obstáculo, explicou Boyd, é o que ele chamou de “dados obscuros”. Isso inclui dados armazenados em software isolado, não compartilhados e subutilizados. Boyd passou anos trabalhando com empresas de vários setores, incluindo aquelas com contratos de defesa que exigiam interfaces de protocolo de aplicativo (APIs) completamente transparentes. Isso transforma dados obscuros em informações úteis. Informação, disse Boyd, são “dados em repouso” ou “dados em movimento”, que foram metamarcados digitalmente para consumo de IA e aprendizado de máquina.

Muitas organizações usam uma mistura de sistemas diferentes em instalações diferentes adquiridas ao longo dos anos. Os fabricantes são conhecidos por isso, é claro, mas muitas outras indústrias também o são. “Nos hospitais, por exemplo, as pessoas compram todos estes sistemas não integrados, que por vezes nem chegam a acordo quanto às horas, e não partilham os dados”, disse Boyd.