A inteligência digital de sua empresa é encalhada e improdutiva? Um robusto “andaime” de informações/dados desbloqueia eficientemente o fluxo de dados e conhecimentos em toda a organização.
As empresas estão investindo em projetos de digitalização para alcançar grandes objetivos de longo prazo, conforme listados na Tabela 1.1 A transformação digital abre essencialmente o fluxo de dados (em vários formatos) e conecta múltiplas fontes a usuários remotos e no local. Com arquiteturas e plataformas avançadas, os processos de transferência de dados e informações são mais rápidos. Consequentemente, as operações e os dados de mercado são ativos comerciais e têm valor. Um acesso mais rápido à informação é o jogo final. Muitas empresas devem responder: O andaime (plataforma) ideal está instalado para suportar o fluxo de dados e a disponibilidade de informações (IA) em toda a organização?
Nem todos os dados são iguais
As indústrias de processamento e fabricação acumularam volumes de dados, mas lutaram para convertê-los em informações utilizáveis. Os projetos de digitalização são orientados para melhorar a análise e fornecer capacidades preditivas. Tais esforços envolvem o uso de gêmeos digitais, IA, aprendizado de máquinas (ML) e manutenção preditiva (PdM). Estes métodos exigem grandes quantidades de recursos de dados de qualidade.
Tabela 1. Objetivos de investimento para projetos digitais1
| Segurança | Zero Acidentes |
| Sustentabilidade | Zero Eventos ou lançamentos significativos |
| Disponibilidade/responsabilidade | Tempo zero de parada/interrupções de operação |
| Finanças | Zero Lucros perdidos |
Tabela 2. Principais preocupações sobre os dados
- Ausência ou insuficiência de dados
- Sem ou com acesso limitado a bancos de dados
- Dados corrompidos
- Dados ausentes/incompletos
- Formato errado (ausente) e tags entre as fontes de dados
- Questões de segurança
O ROI em programas digitais é freqüentemente medido em relação à maior confiabilidade das operações e melhor desempenho em termos de segurança/ambiente (Tabela 1). O sucesso é controlado pela disponibilidade e quantidade de dados válidos e pelo fluxo de inteligência em toda a organização. Nem todos os dados são iguais. A Tabela 2 resume muitas preocupações sobre dados de instalações e equipamentos. Especialmente para ferramentas avançadas (IA e ML), estas questões podem descarrilar até mesmo os melhores algoritmos.
Onde estão as fontes de dados?
As medidas (dados com carimbo de data/hora) têm sido coletadas há muitos anos. A Figura 1 ilustra uma tomada de decisão comum para as instalações de processamento. Como mostrado na Figura 2, os dados de produção/operação/equipamento muitas vezes fluem em circuito fechado, criando assim silos de bancos de dados e informações. Para alcançar as metas da Tabela 1, os dados necessários podem estar localizados em muitas fontes (historiadores) que muitas vezes não estão conectadas.
Os projetos digitais precisam de AI para fazer análises de alto nível (AI, ML, PdM e grandes dados).2 As plataformas ou arquiteturas de dados são andaimes. Elas suportam a coleta, armazenamento, análise e compartilhamento de dados/informações com usuários identificados (locais e remotos). Este enquadramento proporciona serviços de compartilhamento de informações mais rápidos em várias direções – vertical e horizontal. Como ilustrado na Figura 3, as capacidades de dados/informação mudam de sistemas de loop fechado para sistemas de suporte. Agora, os dados podem ser adquiridos de qualquer lugar.3
Dados no nível de uso mais baixo
Dispositivos físicos, tais como sensores, atuadores de válvulas, motores de partida e outros, estarão disponíveis para monitorar e automatizar equipamentos e máquinas de processo.4 A transformação digital conecta os fornecedores de dados às funções de supervisão e análise. Esta relação está em constante mudança com novos desenvolvimentos, incluindo a computação inteligente edge . Os dispositivos avançados edge têm capacidade analítica no mesmo nível dos PCs.4 Com a capacidade pré-analítica, ações críticas podem ser iniciadas no nível do dispositivo, sem a necessidade de ação no centro de dados.
Dados utilizados como capital
O gerenciamento de dados como ativos comerciais requer a avaliação de como os dados e informações são coletados e compartilhados. A partir da Tabela 2, quaisquer lacunas no gerenciamento de dados corroem a confiança no uso de tais informações em decisões críticas, tais como mudança de produto, parada planejada, substituição de equipamentos e mudanças de processamento. No desenvolvimento de projetos digitais, a seleção de dados e as plataformas são decisões críticas. As empresas de energia têm investido em sistemas de automação/controle desde os anos 90. A integração e atualização dos sistemas existentes são vitais no projeto de IA para projetos de análise e otimização.
Os projetos de dados são complexos! Outras questões associadas aos dados incluem:5
- Suficiência de dados – Quantos dados são necessários para os projetos analíticos?
- Confiança nos dados – Calibração e viés dos medidores e instrumentos podem influenciar a precisão e confiabilidade dos dados medidos. Consequentemente, a má manutenção dos dispositivos geradores de dados introduz erros.
- Propagação de dados – como ocorre muito tempo entre mudanças de processo ou equipamento antes de ser registrado? Que lacunas ocorrem entre os eventos iniciais e as condições de falha?
- Governança de dados – A propriedade dos dados deve ser abordada. Os dados automatizados podem ser sobregravados ou alterados? As fontes de dados estão seguras contra ataques externos?
As relações de como os dados são armazenados, compartilhados e utilizados continuam a evoluir. Empresas operacionais e fabricantes passaram de posições reativas para pró-ativas. Os dados são moeda do conhecimento que deve ser investido e utilizado. A IA fornece o conhecimento, conteúdo e andaimes de dados para as organizações. Igualmente importante, a IA apóia a IA e a análise de dados de grande porte em toda a organização (Figura 3).3 Os algoritmos da IA podem não precisar de IA, mas a aplicação dos resultados sim.2
Literatura Citada
1White, Douglas, “Transformação digital nas operações de refinaria e de plantas petroquímicas”: Olhar para trás, olhar para frente”, Cúpula AFPM 2020, Cúpula 20-63, 27 de agosto de 2020, emerson.com.
2Earley, Seth, “Racionalizando os fluxos de informação no local de trabalho digital”: The role of artificial and knowledge engineering”, Digital Workforce Experience, Oct. 14, 2020, https://www.earley.com/.
3 Perino, Joe, “Edge computação no novo ecossistema”, agosto de 2020, edge -computando no novo ecosistema/.
4Eastburn, Josh, “Building Industrial IoT from edge to cloud”, Automation 2020, vol. 4,.
5KBC, “Manifesto de Digitalização”, https://www.kbc.global/uploads/files/whitepapers/KBC%20Digitalization%20Manifesto_US.pdf.
