You are currently viewing Rendimento de produção usando Senspider
Case usando Senspider Dados processados em tempo real promovem o rendimento da produção

Rendimento de produção usando Senspider

Compartilhe
Case usando Senspider:

Dados processados em tempo real promovem o rendimento da produção

Análise de causas de defeitos na linha de produção, melhoria de rendimento

Para identificar causas de defeitos no produto causados durante a produção, muitos dados são coletados e processados.

Algumas etapas podem ser manuais, utilizando planilhas de Excel e posteriormente analisados em sistemas de Inteligência Artificial para identificar anormalidades.

Etapas manuais podem ser evitadas com a Senspider, que coleta e processa os dados localmente.

Com a opção de implementar algoritmos de deep learning, os dados que saem da Senspider em tempo real são ricos de informação e permitem a rápida tomada de decisão do supervisor do processo.

Sendo todo esse tratamento local (edge computing) o tempo de análise e implementação de melhorias se torna muito mais rápido e assertivo, aumentando o rendimento da produção.

Problema

Produtos saem da linha de produção com defeitos sem causa aparente

Aumentar o rendimento da produção monitorando os equipamentos existentes

Desafio

Identificar se os dados do processo estão disponíveis, ou seja, se todas as variáveis importantes do processo estão sendo coletadas e monitoradas, como por exemplo:

Velocidade de rotação de máquinas, temperatura, pressão, vibração, tempo de fabricação  Visualizar os dados do processo coletados para determinar se podem ser utilizados

Realização

A partir da compreensão do processo de fabricação e a estrutura do cliente, foi feita a investigação e análise para encontrar as causas de falha usando modelos estatísticos e de Inteligência Artificial.

Com estas informações foi desenvolvido um algoritmo modelo da fábrica de acordo com os dados e o problema identificado para ser a base do sistema a ser implementado.

Por fim, foi construído o sistema de operação para correção das falhas/defeitos gerados durante a fabricação, o que consequentemente aumentou o rendimento da linha de produção.

Pontos fortes da Macnica

Equipe capacitada para entender o estado atual do processo e investigar o problema

Investigação da causa de defeitos com análise dos dados (big data)

Equipe capacitada para implementar pontos de sensoriamento estratégico para melhorar o rendimento do processo

Possuir soluções para processamento em tempo real dos dados necessários durante a operação real

Assista o vídeo SENSPIDER:

Acesse o E-book SENSPIDER

Conheça mais de nossos cases de SUCESSO acesse nosso BLOG

Compartilhe

Franciele Nornberg

Mestre em Engenharia Elétrica pela UFSC (2019), graduada em Engenharia Elétrica pelo IFSul em 2017. Trabalha na Macnica DHW desde 2019. Seu conhecimento técnico somado a utilização das boas práticas de copywriter são responsáveis pelos excelentes conteúdos divulgados no blog da Macnica. Franciele é também Instrutora Autorizada FPGA Intel e portanto, responsável pelo Treinamento FPGA Intel.