A Qualidade em uma fábrica inteligente

As fábricas aparentemente burras no passado começaram a ficar inteligentes e a tomar muitas decisões por conta própria.

progress2Nikhil Padhi e Prasanna Kumar Illa

Nas últimas décadas, as fábricas evoluíram continuamente. Elas se tornaram um modo de vida com a Revolução Industrial, criando empregos e, muitas vezes, um município em torno deles.

As décadas de 1970 e 1980 viram a adoção de conceitos inovadores de manufatura, como just in time e total quality management. Também viu o surgimento da automação industrial e dos robôs, que mudaram a cara da manufatura. O centro de gravidade no mundo da manufatura passou do trabalho para a tecnologia.

E isso foi apenas o começo: as fábricas logo começaram a ser entidades voltadas para dados. Elas começaram a aproveitar enormes volumes inexplorados de dados gerados no chão de fábrica que, de outra forma, passavam despercebidos. As fábricas aparentemente burras começaram a ficar inteligentes e a tomar muitas decisões por conta própria.

Essas fábricas inteligentes simbolizam o santo graal da manufatura. Toda organização está tentando superar a próxima quando se trata de construir fábricas inteligentes. No entanto, um dos objetivos fundamentais da manufatura é fabricar produtos da mais alta qualidade. Isso é fundamental para manter os clientes felizes. Assim, em nossa busca por fábricas inteligentes, não devemos perder de vista a qualidade. A chave é entender como é o gerenciamento de qualidade em uma fábrica inteligente.

Entendendo a fábrica inteligente

Antes de entrar no gerenciamento de qualidade em uma fábrica inteligente, é importante entender o que é uma fábrica inteligente: uma instalação de fabricação que possa analisar e compreender grandes volumes de dados gerados no chão de fábrica. Em grande medida, é automatizada, autônoma e orientada por dados.

A figura 1 representa uma arquitetura lógica de uma fábrica inteligente. As fábricas podem ser aproximadas em quatro camadas distintas.

progress3

– A camada física significa as entidades físicas associadas à produção, como equipamentos, robôs, dispositivos, sensores e controle lógico programável (CLP).

– A camada de comunicação significa os protocolos que controlam a comunicação entre as camadas físicas do aplicativo. Existem protocolos de comunicação padrão da indústria, como o Semiconductor Equipment and Materials International (SEMI), Equipment Communications Standard/generic equipment model, open platform communications (OPC) e protocolo de controle de transmissão/protocolo de internet.

– A camada de aplicação refere-se a vários sistemas que gerenciam operações de chão de fábrica, como sistemas de execução de fabricação (manufacturing execution systems – MES), planejamento de recursos empresariais (enterprise resource planning – ERP), controle estatístico de processos (statistical process control – SPC) e sistemas de gerenciamento de qualidade (quality management systems – QMS).

– A camada de visualização refere-se a relatórios e painéis que fornecem instantâneos das principais matrizes operacionais, como eficiência geral do equipamento (overall equipment efficiency – OEE), rendimento e tempo de atividade.

Abaixo, algumas descrições dos principais blocos de construção em cada camada:

PLC: controla a coordenação entre equipamentos, as etapas do processo e os operadores para fabricar os produtos acabados. O PLC pode ser chamado de unidade central de processamento de linhas de montagem, e que aproveita a programação ladder. Normalmente, existem múltiplos PLC em uma linha de montagem com um PLC mestre controlando os outros.

OPC: é a camada intermediária que facilita a comunicação entre o MES e os PLC. Um MES se comunica continuamente com o PLC para registrar as transações em tempo real.

MES: Um sistema de processamento de transações online (online transaction processing – OLTP) para o chão de fábrica. Registra todas as transações no chão de fábrica, como movimentação de materiais, consumo, retrabalho e refugo. Ele também fornece insights sobre as principais métricas operacionais, como o OEE e rendimento. Ele fornece soluções para as funcionalidades críticas, como rastreabilidade de lote e sua genealogia, rastreabilidade de número de série, captura de dados de ensaio e impressão de etiquetas.

ERP: Um sistema OLTP empacotado para toda a organização. Ele fornece uma plataforma consolidada para operar vários processos de negócios, tais como manufatura, fonte de pagamento, ordem ao caixa, planejamento, contabilidade, cálculo de custos, consolidação e transferência entre organizações.

Gerenciamento do ciclo de vida do produto (product life cycle management – PLM): Um repositório centralizado para as unidades de manutenção de estoque (stock keeping units – SKU) e listas de materiais (bills of material – BOM). As SKU e as BOM são criadas e mantidas nos aplicativos PLM e distribuídas para aplicativos de downstream, como ERP, MES e gerenciamento de relacionamento com o cliente (customer relationship management – CRM).

CRM: Um sistema que facilita o processo de pedidos do cliente. Ele fornece uma plataforma para gerenciar as cotações e os pedidos de vendas e fornece a interface do usuário a clientes em potencial para pesquisar produtos, solicitar cotações e fazer pedidos.

Gerenciamento da cadeia de suprimentos: Um aplicativo focado no planejamento da cadeia de suprimentos, no gerenciamento de previsões e no planejamento da produção. Os pacotes ERP podem executar essas funções, mas aplicativos especializados são necessários para suportar o gerenciamento da cadeia de suprimentos.

SPC: Um aplicativo que controla processos para garantir que eles não estejam fora de controle (out of control – OOC) ou fora de especificação (out of spec – OOS).

QMS: Um método que fornece uma plataforma para gerenciar a análise de qualidade, o relatório da não conformidade (nonconformance report – NCR), 8D, cinco porquês e diagramas espinha de peixe, por exemplo.

Internet das coisas (IoT): Uma plataforma que suporta a extração de grandes volumes de dados de praticamente qualquer fonte de dados em tempo real ou quase em tempo real, que podem ser tratados e gerar painéis de controle em tempo real. Casos de uso específicos, como análise preditiva e otimização de energia, podem ser construídos usando a plataforma.

Uma fábrica inteligente é caracterizada pelo seguinte:

– Integração perfeita das camadas física, comunicação, aplicação e visualização.

– Arquitetura de sistema robusta e integrada que possui elementos críticos, incluindo MES, ERP, QMS, SPC e CRM.

– A capacidade de extrair dados estruturados e não estruturados da camada física (equipamentos, PLC, sensores) em tempo real ou quase em tempo real, analisá-los usando gráficos analíticos avançados e alimentar os superusuários com painéis em tempo real para tomada de decisão baseada em dados.

– Uma única plataforma para várias equipes multifuncionais colaborarem.

– Facilitação de um alto nível de automação e tomada de decisão autônoma com pouca ou nenhuma intervenção manual.

A Qualidade em uma fábrica inteligente

A qualidade é um conceito abrangente, e é por isso que é importante dividi-la no contexto das fábricas. A Figura 2 identifica os principais aspectos da gestão da qualidade e a sua interação com departamentos-chaves dentro de uma fábrica.

progress4

Em um nível elevado, há quatro aspectos que diferenciam a gestão da qualidade em uma fábrica inteligente versus a gestão da qualidade em uma fábrica tradicional:

– Arquitetura de sistema perfeitamente integrada. Em uma fábrica tradicional, os dados relacionados à qualidade podem residir em aplicativos separados que podem não estar totalmente integrados uns aos outros. Por exemplo, os aplicativos de SPC têm dados relacionados a processos, os MES registram dados relacionados à fabricação e os QMS mantêm dados relacionados a NCR e 8D. Embora esses elementos de dados estejam correlacionados, informações comuns podem não fluir facilmente de um sistema para o outro. Em uma fábrica inteligente, no entanto, a integração contínua e a troca automatizada de dados são a norma.

– Processamento automatizado de dados. Em fábricas tradicionais, há casos em que a coleta de dados e a entrada de dados são manuais. Os operadores ainda podem ser solicitados a coletar dados de equipamentos, processos e outros sistemas e inseri-los no SGQ ou no CEP. Em uma fábrica inteligente, a coleta de dados e a entrada de dados são automatizadas em grande medida.

– Maior nível de autonomia. Geralmente, nas configurações tradicionais, os aplicativos relacionados à qualidade, como SPC e QMS, registram dados de várias origens, realizam análises e apresentam recomendações. Um aplicativo SPC, por exemplo, coleta dados relacionados ao processo, analisa os dados e indica se um processo é OOS ou OOC. A intervenção do operador pode ser necessária para executar um plano de ação fora de controle (out-of-control action plan – OCAP). Em uma fábrica inteligente, uma OCAP será amplamente automatizada. Nos casos de processos OOC e OOS, há um sinal automatizado que interrompe o equipamento ou processo afetado. Assim, em grande medida, os processos relacionados à qualidade são autônomos.

– Análise preditiva. Tradicionalmente, as análises e as ações na área de qualidade são frequentemente reativas. Por exemplo, há casos em que os defeitos se tornam aparentes somente depois que os clientes reclamam. Da mesma forma, uma OCAP é executada após um incidente OOS ou OOC. As fábricas inteligentes aproveitam a análise preditiva para antecipar os cenários de defeitos, OOC ou OOS e tomar medidas corretivas de antemão.

A partir dessas diferenças, podemos concluir que a gestão da qualidade em uma fábrica inteligente pode ser definida em cinco dimensões: análise e resolução de defeitos; SPC; prevenção de defeitos e melhorias contínuas; rastreabilidade de ponta a ponta; análise preditiva. Vamos examinar como essas dimensões aparecem em uma fábrica inteligente.

Análise e resolução de defeitos. A maioria dos defeitos pode ser atribuída a máquinas, processos, seres humanos ou materiais utilizados. Em alguns casos, chegar à causa raiz é um desafio. Primeiro, é uma tarefa complexa analisar a grande quantidade de dados gerados por máquinas e processos para chegar ao fundo de um problema. Em segundo lugar, em muitos casos, a ausência de rastreabilidade de ponta a ponta perfeita dificulta o rastreamento de materiais defeituosos.

Em uma fábrica inteligente, a abordagem é totalmente diferente. Big data e gráficos analíticos avançados aumentam significativamente a visibilidade do fluxo de material através da cadeia de suprimentos – dos fornecedores ao chão de fábrica até os clientes finais. No caso de um defeito, os usuários simplesmente podem fornecer o número de série e uma visão interativa será gerada, que rastreia lotes de material em toda a cadeia de suprimentos.

Normalmente, as máquinas e os processos geram grandes volumes de dados durante as operações de chão de fábrica que contêm pistas vitais para defeitos. À medida que as fábricas se tornam inteligentes, elas aproveitam as plataformas de IoT para extrair grandes quantidades de dados, realizar análises complexas e criar um painel interativo que forneça insights sobre defeitos. Eles usam conectores internos e análises para gerenciar esse grande volume de dados.

Os métodos analíticos tradicionais, como 8D, cinco porquês e diagramas de espinha de peixe, são realizados através de colaboração online. As organizações de serviços públicos estão criando redes inteligentes e usando a qualidade inteligente para gerenciar as flutuações de tensão e até mesmo evitar furtos de energia. Da mesma forma, as organizações de petróleo e gás estão adotando big data e IoT para identificar problemas em tubulações.

SPC. Ele pode monitorar os processos para garantir que eles estejam operando dentro dos limites especificados e não há anormalidades. As fábricas tradicionais têm aplicações de SPC domésticas ou embaladas, fornecidas por um fornecedor de MES ou fornecedor especializado de produtos de SPC.

Na maioria dos casos, eles não estão totalmente integrados a outros sistemas ou equipamentos. No caso de um SPC caseiro, por exemplo, ele pode não estar integrado ao MES ou ao equipamento. No caso de um SPC comercial, ele pode não estar integrado ao equipamento. Isso resulta em trabalho manual durante a coleta e análise de dados.

Em um ambiente inteligente, o sistema SPC é integrado a outros sistemas, bem como a todos os equipamentos. Isso ajuda a automatizar a maioria das atividades de coleta de dados. O sistema SPC é capaz de detectar processos OOS ou OOC, desligar a máquina e notificar o pessoal do chão de fábrica para executar a OCAP. Em alguns casos, a OCAP também é automatizada.

Os volumes de dados coletados pelo sistema SPC podem ser analisados automaticamente por plataformas de IoT e gerar quase em tempo real os painéis interativos. A manufatura, que exige um alto nível de precisão, está alavancando os métodos da nova era. A indústria farmacêutica está adotando a qualidade inteligente para gerenciar seus processos, o que é crítico para a conformidade regulatória.

Prevenção de defeitos e melhoria contínua. A prevenção de defeitos é fundamental para manter o mais alto nível de qualidade. Big data e IoT têm a capacidade de analisar grandes blocos de dados, o que pode ajudar a melhorar a previsibilidade. A análise preditiva executada em dados relacionados ao processo pode prever quando o processo pode ser OOS ou OOC. Também pode prever quando o equipamento pode cair.

O aprendizado de máquina pode automatizar as ações corretivas, e as análises avançadas e os painéis em tempo real podem identificar áreas potenciais de melhoria nos processos, bem como gerenciar a qualidade. Isso está sendo adotado por todos os setores. Os setores financeiro e de seguros, por exemplo, estão aproveitando tecnologias inteligentes, como IoT, big data e aprendizado de máquina, para melhorar os algoritmos.

Rastreabilidade de ponta a ponta. Como as organizações globais de hoje têm instalações de fabricação em todo o mundo, é possível que uma parte da montagem seja concluída em uma parte do mundo e a outra parte em uma parte diferente do mundo. No entanto, eles devem manter a rastreabilidade de ponta a ponta do conjunto finalizado. Em outras palavras, se eles pegarem um número de série, eles devem ter detalhes importantes associados ao número de série – matérias-primas usadas, fornecedores das matérias-primas, plantas envolvidas no processo de fabricação, resultados de ensaios e locais de armazenamento – na ponta dos dedos.

É uma tarefa complexa, mas em uma fábrica inteligente, uma solução baseada em IoT pode ser a resposta. Os conectores em uma plataforma de IoT podem ser aproveitados para extrair dados relevantes de várias fontes, como o MES, o ERP, as ferramentas de ensaio, o equipamento e o PLC – basicamente, todas as fontes relevantes. Após a maioria dos dados relevantes estarem em uma plataforma, os painéis de controle unificados podem ser gerados, exibindo a maioria das informações relevantes associadas a um determinado número de série. Isso torna a rastreabilidade de ponta a ponta robusta e precisa.

Os cientistas de dados podem realizar análises complexas de hipóteses sobre esses dados para obter insights sobre o processo de fabricação. A indústria automotiva tem usado esse conceito pesadamente. No caso de recalls, por exemplo, está se usando esses métodos para identificar os lotes de material, bem como os processos responsáveis pelos defeitos.

Qualidade preditiva. As fábricas produzem conjuntos complexos que passam por várias etapas e ensaios do processo de fabricação. Os conjuntos são embalados, rotulados e enviados para armazéns. Durante os ensaios, os defeitos ou rejeições são encontrados algumas vezes. Se houver muitos defeitos, as fábricas não poderão atender à meta de saída ou até mesmo ao custo por unidade alvo.

Em fábricas inteligentes, a análise preditiva pode ser implantada para prever o número de defeitos ou lembretes para lotes futuros. As plataformas de IoT podem extrair grandes volumes de dados relacionados à fabricação de equipamentos, CLP, sensores, medidores, MES, QMS e outros aplicativos, além de executar análises complexas de hipóteses. Podem estabelecer correlação entre o número de defeitos e os atributos de matérias-primas, parâmetros de máquina, equipamentos em uso e operadores envolvidos, por exemplo. Essencialmente, eles podem prever a qualidade de lotes em produção. Os fabricantes de semicondutores, por exemplo, estão adotando essas tecnologias para prever a produção e a qualidade.

Prontidão para qualidade inteligente

A obtenção da qualidade inteligente depende da prontidão dos principais departamentos que a definem. As principais entidades são máquinas, processos, sistemas e pessoal, como mostra a Figura 3. Leia abaixo como avaliar a prontidão de cada entidade.

progress5

Máquinas – Devem estar prontas para fazer parte da jornada da fábrica inteligente. Devem estar equipadas com sensores e compatíveis com os protocolos do padrão da indústria. Se elas não forem inteligentes, determine se elas podem ser adaptadas.

Processos – Eles devem ser claramente definidos, documentados e, na medida do possível, normalizados.

Sistemas – Elementos-chave da arquitetura do sistema, como ERP, MES, QMS, SPC e PLM, devem estar presentes. Idealmente, eles são um pacote de aplicativo, mas se uma organização tiver requisitos específicos, os aplicativos podem ser personalizados. Esses sistemas devem ser integrados uns com os outros.

Pessoal – Indivíduos com o conjunto de habilidades certas devem estar presentes para implementar a qualidade inteligente. Deve haver patrocínio executivo e alinhamento interfuncional.

Uma nova abordagem

Na era das fábricas inteligentes, a qualidade é tão importante quanto antes. No entanto, deve haver uma mudança tectônica na maneira como abordamos a qualidade. Deve ser proativa, em vez de reativa, e impulsionada por dados e análises. Em grande medida, ela se tornará mais inteligente e autoguiada.

Isso não quer dizer que as mentes humanas deixarão de desempenhar um papel. Em vez disso, elas se concentrarão mais em aspectos como análise avançada, solução proativa de problemas e modelagem de cenários. As organizações devem fazer essa transição para manter o nível de qualidade exigido pelos clientes atuais e, quanto mais cedo começarem sua jornada, melhor.

Bibliografia

Padhi, Nikhil, “Factories of the Future: Intelligent, Digitized and Automated—Read or Not?” presentation, Nov. 17, 2017, https://tinyurl.com/y8dlju8u.

Padhi, Nikhil, “New Product Launch Post M & A—A System Perspective”, Manufacturing Enterprise Solutions Association (MESA) International, https://tinyurl.com/y8kchl2h.

Padhi, Nikhil, “Setting Up a Smart Factory (Industry 4.0)—A Practical Approach”, MESA International, https://tinyurl.com/ydf4ytt6.

Nikhil Padhi é o proprietário do aplicativo de sistemas de manufatura para uma grande organização de energias renováveis em Austin, TX. Obteve um MBA em sistemas e operações da Xavier Institute of Management em Bhubaneswar, Índia. Padhi é um membro da ASQ; Prasanna Kumar Illa é arquiteto de integração e proprietário de aplicativos de sistemas de softwares corporativos em uma organização global de energia renováveis em Austin. Ele obteve um mestrado em engenharia eletrônica pela Universidade de Mumbai, na Índia.

Fonte: Quality Progress/2019 March

Tradução: Hayrton Rodrigues do Prado Filho



Categorias:Qualidade

Tags:, , , , ,

2 respostas

  1. A qualidade dos textos e o aprofundamento dos assuntos nesta revista é excelente. Vcs estão de parabéns.

  2. Muito bom este artigo

Deixe uma resposta

%d blogueiros gostam disto: