hero image, global platform

Inteligência para Manufatura (I2M)

O I2M Platform é um SaaS de nuvem corporativa para digitalização, controle, automação e otimização de operações fabris.

Integra dados de diferentes plantas e aplica Inteligência Artificial para emular em tempo real o processo analítico/decisório de experts em operações, produção e processos.

Baseado em quase 30 anos de experiência, atualmente gerencia cerca de R$ 10 milhões em produção diária em setores como aço, plástico, autopeças e farmacêutico.

MÓDULOS

Pesquisa Operacional Estratégica (SOR)

Dado um cenário de demanda/capacidade (real ou forecast), prediz a mais rentável alocação de Ordens de Produção (O.P.s) entre Centros de Trabalho (C.T.s) interdependentes.

Prediz e precifica gargalos, apresentando soluções (quantificadas) para resolve-los. [...]

Centros de Trabalho (CTs) podem ser as fábricas de uma cadeia produtiva ou linhas de uma fábrica. O horizonte de tempo depende do input, tipicamente baseado em forecast semanal, mensal, trimestral ou anual.

O sistema mantém um Master Production Schedule (MPS) que centraliza diversos cenários de forecast, detalhando a solução mais rentável para cada um deles:

  • Detecta e prediz gargalos, descrevendo seu impacto operacional/financeiro e quantificando possíveis soluções (ex. aumento de KPIs, turnos/horas adicionais).

  • Otimiza o mix produtivo quando demanda excede capacidade, determinando o portfólio mais rentável comparando a margem de cada SKU vs. o custo de seu slot produtivo.

  • Planejamento e Controle da Produção (PCP), iteração diária do MPS baseada na demanda real e níveis de estocagem.

Simulações também podem se basear em cenários alternativos de capacidade para predizer o impacto financieo/operacional de investimentos e cortes (ex. melhora de KPIs, substituição/acréscimo de assets, redução de turnos).

Os KPIs de cada Centro de Trabalho são computados, analizados e comparados para quantificar a Capacidade Corporativa, melhorando a precisão das previsões do MPS e alertando stakeholders caso a performance deteriore ou seja insuficiente para atingir os objetivos produtivos.

O módulo também monitora, caracteriza e otimiza o Nivelamento de Estocagem, disparando Ordens de Produção adicionais para o PCP baseado na demanda (real vs. forecast) e a capacidade/disponibilidade de cada Centro de Trabalho.

Controle de Atividade Produtiva (PAC)

Controla Work In Progress (WIP) para otimizar sequência/fluxo, detectando e mitigando atrasos através de reprogramação de rotas e cronograma em tempo real.

Também provê gerenciamento de dados incluindo rastreabilidade, KPIs, instruções de trabalho e interações de manutenção. [...]

Dado a demanda de curto-prazo (ex. diária) planejada pelo PCP e a de médio/longo-prazo planejada pelo MPS, rastreia WIP para continuamente predizer o sequenciamento/fluxo mais rentável para o chão-de-fábrica.

Disrupções e desvios (ex. gargalos, downtime) são detectados em tempo real, e o Sistema automaticamente reprograma rotas/cronogramas para minimizar o impacto financeiro/operacional.

Centraliza Gerenciamento de Dados de cada Ordem de Produção (ex. Bill of Materials, ajustes de setpoint, instruções de trabalho) e provê Rastreabilidade detalhada, rastreando as OPs no chão-de-fábrica e realizando timestamp de operações para análise futura:

  • Comparar essa OP a outras do mesmo SKU para identificar possíveis ineficiências e não-conformidades;

  • Caracteriza o perfil de cada SKU, o que é usado pelo SOR para priorizar o mix produtivo de acordo com a rentabilidade;

  • Compara o perfil médio de cada asset para identificar padrões de falha;

O Gerenciamento de Capacidade Efetiva rastreia KPIs operacionais (ex. OEE, TEEP, MTBF, MTTR, Net Run Rate) e financeiros (ex. custos de material/energia, custo por unidade), que são constantemente analizados para caracterizar e comparar a capacidade por asset, SKU e linha, atualizando o modelo de manufatura.

Baseado nessa informação, Alarmes de Forecast informam stakeholders se a performance de um Centro de Trabalho deteriorar ou se a capacidade fabril se tornar insuficiente para atingir os objetivos produtivos. O módulo SOR ainda é capaz de predizer e precificar esses gargalos.

Usuários também podem gerar, rastrear e catalogar atividade de operadores e interação de manutenção.

Digitalização & Análise de Processo (PDA)

Digitaliza a manufatura em um dataset estruturado que representa o processo físico ao longo do tempo - bem como seu contexto corporativo.

Esse Digital Twin pode ser usado para classificar/qualificar produtos específicos ou entender o comportamento produtivo como um todo (p.ex. usual, aceitável, ideal). [...]

Digital Twin Instance é um dataset estruturado que descreve os processos físicos que compõem uma determinada Ordem de Produção, provendo Rastreabilidade detalhada (ex. timestamps, historian, grandezas discretas/contínuas, KPIs).

Digital Twin Aggregate é a composição de diversos DTIs para caracterizar um determinado processo, asset ou SKU. O algoritmo de inferêncica clusteriza esses DTIs, agrupando-os em Classes que compartilham similaridades em seu comportamento produtivo.

Uma vez treinado, o Sistema é capaz de classificar processos em tempo real: cada DTI é indicado como uma composição das Classes encontradas no DTA. A relevância estatística das Inspeções de Qualidade aumenta consideravelmente, uma vez que stakeholders podem selecionar TrackIDs que representam perfis produtivos distintos.

Caso os dados disponíveis para controle de processo sejam suficientes para estabelecer correlações diretas entre Classes específicas e comportamento indesejado (ex. não-conformidades, ineficiência), algoritmos de Predição poderão detecta-los em tempo real, alertando stakeholders.

Assets também têm DTAs, compostos pelos DTIs de todas as OPs que eles produziram ao longo do tempo. Esses perfis são rastreados e comparados para identificar padrões de falha, informando stakeholders e provendo resultados analíticos para informar políticas de Manutenção Preventiva e Preditiva.

O DTA de cada SKU inclui KPIs para o processo como um todo, que são comparados para estabelecer melhores-práticas (ex. setpoints, procedimentos, Bill of Materials, instruções de trabalho).

The Industrial Digital Thread addresses three significant challenges faced by manufacturers:

(1) Faulty production techniques lead to costly unplanned downtime of industrial assets with root causes that are difficult to determine. The causes of such failures are hidden in manufacturing processes. Careful analysis is required to return assets back to production but field engineers and service teams often lack data and insights needed to troubleshoot the underlying issues. The Digital Thread provides the data and analytics needed to understand root causes.

(2) Hundreds of thousands of parts go into large complex product such as aircraft structures. These parts are provided by multiple supplier facilities spread across the globe. Issues regarding the mechanical fit and quality issues often result in expensive returns and reworking. The Digital Thread maintains visibility across the supply chain.

(3) Product defects could be the result of a fault in design, material, or supply chain. Expensive recalls are regular occurrences across industries. The Digital Thread helps to reduce variability and faults, and to trace the cause when they occur."
Management User

INDÚSTRIA 4.0

"A base [da Indústria 4.0] é a disponibilidade de toda a informação relevante em tempo real, através da conexão de todos os elementos participantes da cadeia produtiva, combinada com a capacidade de deduzir, dos dados a qualquer momento, o fluxo ideal na cadeia produtiva.

Através da conexão de humanos, objetos e sistemas, redes de valor dinâmicas auto-organizadas em tempo real são criadas, que podem ser otimizadas de acordo com diversos critérios - custos, confiabilidade e consumo de recursos”.

Management User
Venn Diagram: Industry 4.0 = Industrial Big Data + Artificial Intelligence + Manufacturing Know-How

Como a Indústria 4.0 resolve problemas de produção

Indústria 4.0 é uma convergência de tecnologias de Big Data, Inteligência Artificial (AI) e Manufatura que viabilizam a automação e otimização de processos críticos em escala até então impraticável. [...]

Dadas as últimas décadas de automação industrial, o conceito não é novo; escala e aplicabilidade, entretanto, mudaram drasticamente: Machine Learning (ML) - Inteligência Artificial otimizada para Big Data - permite que Sistemas emulem o raciocínio de especialistas, gerando inferências e predições precisas e confiáveis..

Informação e conhecimento levam a decisões rentáveis, mas apenas algoritmos especializados de ML são capazes de extrair esses insights da massa de dados em tempo hábil para a tomada de decisões, de maneira precisa, confiável e rentável.

Uma vez modelados, treinados e validados, esses algoritmos de loop fechado são continuamente executados por recursos escaláveis (ex. computação em nuvem), performando vários ciclos consecutivos por segundo. Após cada ciclo:

  • o Sistema aplica os resultados analíticos e coleta dados de feedback para o próximo ciclo de análise; e/ou
  • alguém, em algum lugar, clica em algo.

Seja a Inteligência Artificial baseada em automação tradicional ou Indústria 4.0, em algum momento stakeholders aplicarão seu conhecimento coletivo (porém inescalável) para dar feedback aos resultados do Sistema ou utiliza-los para a tomada de decisões.

Caso a primeira análise feita por esses profissionais em cima das análises também possa ser modelada, treinada e validada, outra camada de conhecimento pode ser automatizada em escala.

Em vez de KPIs e visualização de dados, o Sistema apresenta as análises, conclusões e decisões que um especialista teria tirado do dataset competo (caso tivesse tempo e recurso computacional infinitos para realizar as análises modeladas).

Essas toolboxes modulares de automação de conhecimento em escala são os dispositivos e sistemas que compõem a Indústria 4.0, e o que os separa é onde a análise é feita (ex. nuvem, sensores, dispositivos, datacenter, smartphones) e sua composição tecnológica:

  • Modelo de Manufatura que converte expertise, decisões e dados em frameworks apropriados para a aplicação de Inteligência Artificial. Define o escopo da aplicação.

  • Big Data Industrial para treinar e validar modelos, além de prover um fluxo constante de dados para análise.

  • Machine Learning com algoritmos que viabilizem as complexas otimizações definidas no Modelo de Manufatura.

O que não é Indústria 4.0

Companhias e produtos situados nas intersecções binárias dessas áreas de conhecimento frequentemente se posicionam como Indústria 4.0, porém acabam não entregando análises confiáveis em escala. [...]

  • Know-How + Big Data: integra dados de TI e TA, viabilizando parte da Internet Industrial (IIoT) - especialmente digitalização. Entretanto análises permanecem a cargo do usuário, embasadas apenas em KPIs e visualização de dados. Dados para análise escalam, mas a análise em si, não.


  • Know-How + Inteligência Artificial: projetos de automação sem mecanismos de Machine Learning (e portanto Big Data) para treinar e validar modelos. Resultados não escalam de maneira confiável, e as interações/melhorias são caras (bem como o Total Cost of Ownership).


  • Big Data + Inteligência Artificial: algoritmos agnósticos de Machine Learning que demandam customização extensiva e trabalho especializado para traduzir resultados abstratos em conhecimento prático. Frequentemente não contam com Service Level Agreement (SLA) compatível com o ambiente industrial (ex. latência em tempo real, confiabilidade, disponibilidade, cybersecurity).

Advanced Analytics

Ao contrário das revoluções industriais anteriores, a Indústria 4.0 não requer gastos intensivos de hardware: contanto que os dados estejam disponíveis, a análise pode ser terceirizada para plataformas de SaaS (Software as a Service) com algoritmos (IA e ML) especializados. [...]

  • Inference Engine: clusterização de Big Data histórico para identificar e descrever padrões, compondo um Modelo de Manufatura que caracteriza e classifica comportamento produtivo.


  • Predictive Engine: análise de fluxos de dados em tempo real, continuamente classificando processos, operações, produtos e assets para detectar comportamento produtivo anormal/insuficiente/indesejável.


  • Prescriptive Engine: determina a maneira mais rentável de resolver ou mitigar restrições produtivas (ex. gargalos, performance, sequenciamento, turnos, slots reservados).
“Industrial analytics can be applied to machine-streaming data received from disparate sources to detect, abstract, filter and aggregate event-patterns, and then to correlate and model them to detect event relationships, such as causality, membership, and timing characteristics.

Identifying meaningful events and inferring patterns can suggest large and more complex correlations so that proper responses can be made to these events.
Industrial analytics can also be used to discover and communicate meaningful patterns in data and to predict outcomes.”
Management User

SLA Industrial

Software as a Service (SaaS)

O I2M Platform é comercializado no modelo SaaS, com mensalidades em vez de alto investimento inicial.

Há também diversas vantagens técnicas, uma vez que nós mantemos a cyber-infraestrutura necessária para o seu desenvolvimento 4.0 com o Estado-da-Arte em tecnologia, algoritmos e segurança. [...]

Financeiramente, isso permite que clientes atinjam o break-even rapidamente, evitando custos ocultos de Total Cost of Ownership (TCO) associados a licenças tradicionais (ex. depreciação, hardware, TI, capital humano etc).

Além disso esse modelo de negócios garante uma série de vantagens técnicas para os clientes:

  • Updates com novos algoritmos de IA/ML, novas features e interfaces de dados;


  • Backups e monitoramento automático de servidores com alertas via e-mail e notificações push;


  • Alto grau de cyber-segurança, com arquitetura híbrida (edge e nuvem) e frameworks corporativos para continuidade;


  • Suporte técnico em horário comercial (padrão) ou completo 24h (sujeito a adendo contratual).

Machine-to-Machine API

A Plataforma se situa no nível corporativo (ISA-95 nível 4), estabelecendo comunicação autônoma com diversos sistemas de TI/TA - tanto na nuvem quanto nos data-centers de cada fábrica. [...]

Third-Party Application System Interface
IT
  • LVL4: ERP, CRM, BI, S&OP

  • LVL3: MES, LIMS, OEE
  • I2M API (https)

  • Files: .xml, .json, .xlsx, .csv, .txt
OT
  • LVL2: SCADA, Historian

  • LVL3: PLC, CNC, ICS, IIoT
  • S7 Ethernet (ISO over TCP)
  • Ethernet/IP
  • Modbus
  • OPC UA*, OPC DA**

* padrão da Indústria 4.0
** para sistemas legado

Cyber Security

Algoritmos criptográficos para encriptação, key exchange, assinatura digital e hashing.
Aderente à CNSA Suite, aprovada pelo governo americano para proteger Sistemas de Segurança Nacional (NSS). [...]

Nossa cyber-segurança é compliance com a Commercial National Security Algorithm Suite (CNSA Suite): algoritmos criptográficos especificados pela National Institute of Standards and Technology (NIST) e aprovados pelo Information Assurance Directorate (IAD) da NSA para proteger Sistemas de Segurança Nacional (NSS).

Desde 2015 a NSA iniciou planos preliminares de transição para algoritmos resistentes a computação quântica:

ALGORITHM FUNCTION PARAMETER SPECIFICATION
Advanced Encryption Standard (AES) Symmetric block cypher used for information protection Use 256-bit Keys to protect up to TOP SECRET FIPS Pub 197
Elliptic Curve Diffie-Hellman (ECDH) key Exchange Asymetric algorithm used for key establishment Use curve P-384 to protect up to TOP SECRET NIST SP 800-56A
Secure Hash Algorithm (SHA) Algorithm used for computing a condensed representation of information Use SHA-384 to protect up to TOP SECRET FIPS Pub 180-4
Rivest–Shamir–Adleman (RSA) Asymmetric algorithm used for key establishment Minimum 3072-bit modulus to protect up to TOP SECRET NIST SP 800-56B rev1
Asymmetric algorithm used for digital signatures FIPS Pub 186-4

Edge Server

Arquitetura distribuída/híbrida permite que a Plataforma opere de maneira eficiente em escala com requisitos mínimos de hardware e rede, criando uma camada de IA em tempo real e assegurando a continuidade de análises mesmo que a fábrica perca sua conexão com a nuvem. [...]

O uso do servidor Edge depende de quais módulos estão instalados:

Dependendo da infraestrutura de Ethernet de cada planta, a arquitetura pode ser:

Requisitos mínimos do Edge Server
IIoT Edge
  • Windows 10 (64 bits)
  • 4 vCPU (2.0 GHz and AVX2 support)
  • 8 Gb RAM and ~200 Gb free HD
Enterprise Edge
  • Windows server (2016 to 2019) (64 bits)
  • 8 vCPU (2.0 GHz and AVX2 support)
  • 16 Gb RAM and ~200 Gb free HD

Implementação

O Sistema independe do processo (p.ex. manufatura discreta, processo contínuo ou batelada), sendo um projeto de implementação rápida (1 a 3 meses) e não-intrusiva. [...]

Durante a implementação, o time de Operações da DataBot modela a estrutura de processos e operações relevantes, além de ativar todas as interfaces necessárias para o funcionamento da Plataforma.

STEP DESCRIPTION MILESTONE
SaaS activation
1 week
I2M Team: license setup SOR and PAC online
Operations modeling
2-4 weeks
Agreement over configuration data such as: BU, Plants, Lines, Operations, Routes, Machines, Process Type, recipes/BoM, manufacturing Data, process features, warehouse policy, SKU list (production costs, profit margin)
Operations data mask interface
2-4 weeks
Agreement over setup and inpupt data:
IP, Protocol and Tags
OT data mask interface
2-4 weeks
Agreement over OT data:
IP, Protocol and Tags.
Edge and PDA online
(optional)
Edge server activation
1-2 weeks
Customer: host, industrial ethernet infra-structure and IT configurations ready
I2M Team and customer automation team: OT interface commissioning.
IT middeware integration*
2-4 weeks
IT interface commissioning.
Data Science*
2-4 weeks
Modules integration, analytic view adjustments, MCOTS dashboards. Enterprise integration online

* only for Enterprise licenses

Sobre Nós

Aplicações em Destaque

Baseado em quase 30 anos de experiência industrial e globalmente lançado na Hannover Messe 2018 (maior feira de tecnologia industrial do planeta), o I2M Platform já tem uma vasta gama de aplicações, atualmente gerenciando em torno de R$ 10 milhões em produção diária. [...]

  • Plásticos: algoritmos de Industrial IoT para controle de assets críticos e linhas de empacotamento;

  • Aço: algoritmos especializados para otimização contínua de extrusão de aço;

  • Automotiva: rastreabilidade e gerenciamento de processo de um Tier 1 no Brasil para OEMs na Europa e na Ásia;

  • Farmacêutica: planejamento e gerenciamento da produção em nível corporativo.

R$ 10 milhões em produção diária

Conferência e Paper da ISA

Alexi Condor (CTO da DataBot) teve seu paper (baseado no módulo PDA do I2M) aprovado para apresentação no evento IIoT & Smart Manufacturing Conference organizado pela ISA (International Society of Automation).

participação na IIoT & Smart Manufacturing Conference da ISA

DataBot logo

alexi@databot-si.com
(Diretor de Produto)
i2m@databot-si.com
(Equipe Comercial)
service@databot-si.com
(Equipe Técnica)

+55 (12) 99721-0027 (Comercial)
+55 (12) 99261-2108 (Operações)
+55 (12) 3945-1385
+55 (12) 3945-1391

Parque Tecnológico de São Jose dos Campos
500, Av. Doutor Altino Bondensan, 12247-016, São José dos Campos (SP) – Brasil