Aula 3

Prévia do material em texto

AULA 3 
INDÚSTRIA 4.0 
Profª Ana Carolina Bueno Franco 
 
 
2 
CONVERSA INICIAL 
As aplicações que usam inteligência artificial (IA) vêm ganhando espaço, 
não só nas atividades cotidianas, mas também na indústria. Como parte dos 
pilares que norteiam o conceito de “indústria 4.0”, a IA atua de forma significativa 
em soluções que visam a manutenção preditiva. Esta aula tem como objetivos: 
• compreensão dos conceitos relativos à inteligência artificial; 
• os principais avanços da inteligência artificial; 
• formas de aplicação e implementação de seus conceitos; 
• apresentar como a inteligência artificial é aplicada a sistemas de 
manutenção; 
• exemplos de aplicações com o uso de IA na manutenção. 
TEMA 1 – INTELIGÊNCIA ARTIFICIAL: CONCEITOS 
De acordo com Silva et al. (2018), o termo inteligência artificial foi adotado 
pela primeira vez em 1956 por John McCarthy nos Estados Unidos e pode ser 
definido como uma atividade dedicada a tornar máquinas inteligentes. A 
inteligência é a qualidade que permite que uma entidade funcione adequadamente 
e com capacidade de previsão em seu ambiente. De modo geral, a inteligência 
artificial pode ser dividida em subáreas: 
• Aprendizado de máquina: utiliza algoritmos com a função de analisar 
dados, possibilitando a identificação de padrões. Com isso, aprende-se a 
executar uma tarefa, sem que haja a necessidade de implementação de 
um código específico da tarefa no software. Pode ser usado em diversos 
tipos de aplicações, conforme Figura 1. 
 
 
3 
Figura 1 – Aprendizado de máquina 
 
Crédito: Macrovector/Shutterstock. 
• Algoritmo genético: utiliza algoritmos que se baseiam em mecanismos da 
seleção natural e da genética. Esses algoritmos apresentam quatro 
características em comum: codificação de um conjunto de parâmetros; 
estabelecimento de hipóteses para solução; uso de valores da função 
objetivo para compor a hipótese de solução; uso de probabilidade. 
• Redes neurais: simulam o funcionamento do cérebro, através da 
interligação dos neurônios. Nas redes neurais, esses neurônios estão 
organizados em camadas. A rede neural artificial cria camadas de 
aprendizado (Figura 2), nas quais ocorrem a propagação de dados e 
conexão entre os neurônios. 
 
 
 
4 
Figura 2 – Modelo simplificado de redes neurais 
 
Crédito: Shadedesign/Shutterstock. 
• Robótica: esta área depende de aplicações da inteligência artificial, bem 
como, elétrica, mecânica e computação. Na indústria 4.0, tem grande 
notoriedade e será tratada nas próximas aulas. Neste caso, a inteligência 
artificial é empregada para programar as atividades dos robôs. 
• Sistemas especialistas: baseados em algoritmos com regras 
estabelecidas e bem definidas. Para seu funcionamento, dependem de 
uma base de conhecimento, gerada a partir de especialistas (engenheiros 
etc). 
 
 
5 
Figura 3 – Exemplo de um diagrama de um sistema especialista 
 
Fonte: Elaborado com base em Medeiros, 2018. 
• Visão computacional: são algoritmos capazes de extrair informações de 
imagens, como por exemplo: detecção de face, identificação de placas de 
automóveis, entre outros. A Figura 4 mostra um exemplo de uso de visão 
computacional em uma fábrica de telefones. 
Figura 4 – Visão computacional em uma fábrica de telefones 
 
Crédito: Asharkyu/Shutterstock. 
 
 
 
6 
Saiba mais 
Assista ao vídeo e veja como uma indústria de cosmético adotou o aprendizado 
de máquina em suas operações: 
HARADA, E. Machine learning ajudando a manter a inovação na indústria. 
Tecmundo, 4 jan. 2018. Disponível em: 
<https://www.tecmundo.com.br/mercado/125314-machine-learning-ajudando-
manter-inovacao-industria.htm>. Acesso em: 31 mar. 2019. 
TEMA 2 – PRINCIPAIS AVANÇOS DA INTELIGÊNCIA ARTIFICIAL 
Conforme vimos no tema anterior, a inteligência artificial é composta por 
diversas subáreas que, nos últimos anos, têm recebido investimentos para 
pesquisa. Isso possibilitou o avanço e a ampliação do uso dessas técnicas em 
várias atividades do cotidiano. Dentre os avanços, duas técnicas merecem 
destaque: Deep Learning e AutoML. 
A técnica de Deep Learning pode ser considerada como uma otimização 
das redes neurais artificiais, utilizando milhões de dados como entrada em uma 
grande rede neural, com muitas camadas de neurônios. O processamento neste 
tipo de técnica é possível graças ao processamento em paralelo. Considerada 
como um dos ramos do aprendizado de máquina, a técnica tem sido usada em 
aplicações complexas: carro autônomo, sistema para detecção e reconhecimento 
de doenças, etc. 
Já a técnica de AutoML foi desenvolvida pela empresa Google DeepMind 
e tem como objetivo a criação automática de modelos de aprendizado de máquina 
(Silva et al., 2018). A partir de uma rede neural gerada, o software é capaz de 
aprender e expandir a rede para que ela execute uma determinada tarefa. 
A grande vantagem desta técnica é que não é necessário criar modelos, 
reduzindo o tempo de implementação. Um exemplo de aplicação é o projeto 
AlphaGo. O jogo de tabuleiro chinês, conhecido por Go, é conhecido pela sua 
complexidade devido ao número de combinações possíveis. Em 2015, o programa 
AlphaGO venceu várias partidas compra o campeão europeu da época. Desde 
então, as versões mais novas do programa ganharam disputas contra outros 
jogadores. De acordo com a equipe do Google DeepMind em 2017, a terceira 
 
 
7 
versão do software foi capaz de aprender o jogo Go sem a necessidade de 
exposição a partidas após 41 dias de treinamento. 
Saiba mais 
Assista ao vídeo e veja como uma indústria de cosmético adotou o aprendizado 
de máquina em suas operações: 
WEBINAR: Aplicação de Mercado Deep Learning. Pollux, 21 nov. 2018. 
Disponível em: <https://www.youtube.com/watch?v=o9Ov2UVzMJ0>. Acesso em: 
31 mar. 2019. 
TEMA 3 – INTELIGÊNCIA ARTIFICIAL - IMPLEMENTAÇÃO 
Com base nos conceitos e técnicas apresentados, como aplicar a 
inteligência artificial ao mundo real? Como estabelecer os valores de entrada? A 
interação de uma máquina com o meio ocorre conforme a Figura 5. 
Figura 5 – Interação entre a máquina e ambiente 
 
Fonte: Elaborado com base em Medeiros, 2018. 
O agente, de modo geral, pode ser um robô ou máquina. Ele é dotado de 
sensores que transmitem as informações relativas ao ambiente. De acordo com 
as informações dadas pelos sensores, os atuadores serão responsáveis pelas 
ações do agente. O comportamento do agente pode ser definido por uma função 
matemática. 
É possível dizer que a maior dificuldade é conseguir estabelecer um modelo 
matemático para o agente que possibilite listar todas as ações e interações 
 
 
8 
possíveis com o ambiente. Após estabelecer o modelo matemático, é preciso 
definir medidas de desempenho com o intuito de avaliar se o modelo e técnica 
escolhida estão adequados. 
Como a inteligência artificial pode ser aplicada em diversos tipos de 
processos, o ambiente também varia. De acordo com Medeiros (2018): 
• Determinístico x Estocástico: quando o próximo estado é determinado 
pelo estado atual, o ambiente é determinístico. Quando isto não ocorre, é 
considerado estocástico. 
• Episódico x Sequencial: no ambiente episódico, as ações são realizadas 
sem que haja uma sequência definida. 
• Estático x Dinâmico: quando o ambiente é alterado constantemente, 
mesmo durante a execução de tarefas do agente, é dinâmico. 
• Discreto x Contínuo: neste caso, considera-se tanto o tempo como 
variável do ambiente. Se há mudança brusca de um estado para outro, é 
discreto. 
O quadro a seguir traz alguns exemplos de ambientes e suas 
classificações. 
Quadro 1 – Exemplos de ambientes e sua classificação 
 
Fonte: Elaborado com base em Medeiros, 2018. 
 
 
9 
 Os agentes podem ser classificados em: 
1. Agente Reativo Simples: suas ações se baseiam na percepção atual do 
ambiente, sem considerar o histórico (Figura 6). 
Figura 6 – Agente Reativo Simples 
 
Fonte:Elaborado com base em Medeiros, 2018. 
2. Agente Reativo com Base em Modelos: neste caso, a tomada de decisão, 
relativa a quais ações serão executadas, depende do histórico do ambiente 
(Figura 7). 
Figura 7 – Agente Reativo Baseado em Modelos 
 
Fonte: Elaborado com base em Medeiros, 2018. 
 
 
10 
3. Agente Baseado em Objetivos: neste caso, a tomada de decisão baseia-
se também em objetivos que são pré-estabelecidos (Figura 8). 
Figura 8 – Agente Baseado em Objetivos 
 
Fonte: Elaborado com base em Medeiros, 2018. 
4. Agente Baseado em Utilidade: neste caso, a função “utilidade” quantifica 
o mapeamento de um estado (Figura 9). 
Figura 9 – Agente Reativo Baseado em Utilidade 
 
Fonte: Elaborado com base em Medeiros, 2018. 
 
 
 
11 
TEMA 4 – MANUTENÇÃO INDUSTRIAL E INTELIGÊNCIA ARTIFICIAL 
A manutenção é uma área promissora para o uso de inteligência artificial. 
Como o objetivo é a “antecipação”, para evitar problemas e paradas não 
programadas, a análise de dados, aliada a algoritmos e técnicas de análise, 
permite extrair informações que serão essenciais. Existem diversas soluções 
comerciais que permitem a aplicação de técnicas de inteligência artificial focadas 
em manutenção. 
Dentro da indústria, máquinas e equipamentos considerados críticos 
devem atuar com eficiência, provendo sua capacidade máxima e, 
consequentemente, gerando o retorno esperado sobre o capital que foi investido. 
Esses equipamentos são aplicados às mais diversas áreas: máquinas de 
processo, turbinas, caldeiras, elevadores etc. 
Na manutenção corretiva, as peças são substituídas somente quando 
falham, gerando paradas não programadas (ocasionando prejuízos). Na 
manutenção preventiva, o tempo de vida útil do equipamento é estimado e a 
substituição da peça ocorre antes de uma possível falha. Nesse caso, além do 
tempo de inatividade para a substituição da peça, há a subutilização, pois nem 
sempre ela atingiu seu ciclo de vida completo. A manutenção preditiva busca o 
equilíbrio entre a corretiva e a preventiva, fazendo com que o equipamento só 
sofra reposição no momento certo, ou seja, pouco antes de ocorrer a falha, 
conforme Figura 10. 
Figura 10 – Tipos de manutenção na indústria 
 
Fonte: Guia..., 2018. 
 
 
12 
Os principais questionamentos das equipes de manutenção que devem ser 
respondidos através do uso de técnicas de inteligência artificial são: 
• detectar discrepâncias e anomalias em equipamentos através de 
desempenho ou funcionalidade; 
• mensurar e estimar a vida útil de uma máquina ou equipamento; 
• permitir a identificação e o reconhecimento das principais causas que 
levam o equipamento a falhar; 
• identificar as ações que devem ser realizadas no equipamento, otimizando 
o tempo de parada. 
A implementação da inteligência artificial em sistemas de manutenção deve 
atender os seguintes critérios: 
• só é possível prever o comportamento de um equipamento ou problema se 
ele permitir, ou seja, se houver um resultado a ser previsto; após a 
identificação dos possíveis problemas, é preciso listar as ações que 
deverão ser realizadas; 
• para a implementação, é preciso ter um histórico de todos os problemas e 
ações do equipamento; esse histórico deve estar registrado em um banco 
de dados e o período de armazenamento deve ser suficiente para análise; 
• os dados armazenados em histórico devem ser relevantes e apresentar 
qualidade para a análise; 
• por fim, esse tipo de implementação envolve diferentes tipos de 
profissionais: manutenção, processos, cientistas de dados e informática. 
A Figura 11 mostra as etapas de implementação da inteligência artificial em 
um sistema de manutenção. 
 
 
 
13 
Figura 11 – Etapas de implementação da inteligência artificial em um sistema de 
manutenção 
 
É muito importante ressaltar que a implementação de qualquer técnica de 
inteligência artificial depende diretamente da qualidade dos dados que serão 
fornecidos e da correta aplicação da técnica ou algoritmo escolhido. Os dados 
fornecidos devem atender os seguintes critérios: 
1. Dados relevantes: os dados fornecidos para o software que implementará 
a técnica selecionada devem ser relevantes e pertinentes ao equipamento 
que será monitorado; 
2. Tamanho do histórico: a base de dados fornecida deve ter a quantidade 
de registros necessários para que a técnica aplicada possa avaliar e prever 
falhas futuras; 
3. Qualidade dos dados: os dados fornecidos devem ser precisos, excluindo 
dados discrepantes ou de situações atípicas. 
TEMA 5 – EXEMPLOS DE APLICAÇÕES DA I.A. NA MANUTENÇÃO 
Em muitas indústrias, a inteligência artificial aplicada a sistemas de 
manutenção já é uma realidade. Veremos, agora, alguns exemplos de aplicações. 
 
 
 
14 
5.1 Aviação 
Um dos desafios das equipes de manutenção na aviação é realizar a 
manutenção da aeronave sem causar atrasos ou cancelamentos de voo. Neste 
caso, o uso de inteligência artificial pode prever a probabilidade de atrasos ou 
cancelamentos com base na falha mecânica. Também pode estimar o tempo de 
vida útil de um componente, mantendo a disponibilidade de peças em estoque e 
reduzindo custos de logística e tempo de manutenção. 
Saiba mais 
Assista ao vídeo e veja o projeto que envolve manutenção preditiva na indústria 
aeronáutica europeia: 
CONHEÇA o projeto ReMAP. Universidade de Coimbra, 7 fev. 2018. Disponível 
em: <https://www.youtube.com/watch?v=TXFzrrUybHs&feature=youtu.be>. 
Acesso em: 31 mar. 2019. 
5.2 Energia 
 Os sistemas de energia são críticos e requerem que a manutenção seja 
realizada de forma rápida. Em parques eólicos, por exemplo, a indisponibilidade 
de um aerogerador impactará nos custos de operação. O uso de indicadores de 
performance preventivos (em inglês, Key Performance Indicator – KPI) auxiliam 
a estimar o tempo mínimo de inatividade durante a manutenção. Além disso, 
modelos de previsão indicam as relações entre falhas e suas causas, auxiliando 
a detecção de problemas de forma mais rápida. 
5.3 Transporte e logística 
 A manutenção de elevadores é crucial, principalmente pela segurança. 
Quando um elevador falha, a detecção do problema deve ser rápida e os técnicos 
devem ter acesso à reposição de peças de forma imediata. Um exemplo de 
aplicação de manutenção preditiva para elevadores combina o uso de inteligência 
artificial, IoT (Internet of Things) e realidade aumentada. Os dados dos elevadores 
são enviados para uma plataforma na qual um algoritmo realiza o diagnóstico e 
 
 
15 
prevê falhas com antecedência. Dessa forma, os técnicos podem atuar antes 
mesmo que o problema ocorra, evitando a parada do elevador. 
Saiba mais 
Leia sobre esta aplicação em: 
TRANSFORMAÇÃO digital: thyssenkrupp lança no Brasil manutenção preditiva 
de elevadores com IA e realidade mista da Microsoft. Microsoft News Center 
Brasil, 10 abr. 2018. Disponível em: <https://news.microsoft.com/pt-
br/thyssenkrupp-lanca-no-brasil-manutencao-preditiva-de-elevadores-com-ia-e-
realidade-mista-da-microsoft/>. Acesso em: 31 mar. 2019. 
 
 
 
16 
REFERÊNCIAS 
GUIA de IA do Azure para soluções de manutenção preditiva. Microsoft Azure, 
10 maio 2018. Disponível em: <https://docs.microsoft.com/pt-br/azure/machine-
learning/team-data-science-process/cortana-analytics-playbook-predictive-
maintenance>. Acesso em: 31 mar. 2019. 
MEDEIROS, L. F. de. Inteligência Artificial Aplicada: uma abordagem 
introdutória. Curitiba: Editora InterSaberes, 2018. 
SILVA, E. et al. Automação & Sociedade: Quarta Revolução Industrial, Um Olhar 
Para O Brasil. 1. ed. São Paulo: Brasport, 2018. 
TRANSFORMAÇÃO digital: thyssenkrupp lança no Brasil manutenção preditiva 
de elevadores com IA e realidade mista da Microsoft. Microsoft News Center 
Brasil, 10 abr. 2018. Disponível em: <https://news.microsoft.com/pt-
br/thyssenkrupp-lanca-no-brasil-manutencao-preditiva-de-elevadores-com-ia-e-
realidade-mista-da-microsoft/>. Acesso em:31 mar. 2019.