Consultora de data science em Eindhoven

Constrói modelos com os dados das suas máquinas, sensores e manutenção para prever resultados como uma avaria, a rejeição de uma peça ou a necessidade de substituir um componente. Estes modelos fazem parte das aplicações de IA que desenvolvemos e colocamos em funcionamento.

Se procura primeiro aconselhamento sobre por onde começar com a IA na sua fábrica, consulte consultor de IA em Eindhoven. Aí, o foco está nas escolhas a fazer; aqui, está no próprio modelo.

Não. A Fokker Services é uma empresa de manutenção, reparação e revisão (MRO) no setor da aviação. Referimos este caso de estudo como exemplo do que fazemos com dados de manutenção e de sensores. Não publicámos nenhum caso de estudo com uma organização de Brainport.

O nosso escritório fica na Westerdoksdijk, em Amesterdão. Em Eindhoven e no resto de Brainport, trabalhamos no local ou online.

Na Fokker, a manutenção era planeada sobretudo com base em intervalos fixos e na experiência dos engenheiros. Por vezes, isso fazia com que a manutenção fosse realizada demasiado cedo ou demasiado tarde. Em estreita colaboração com os engenheiros de manutenção, transformámos o seu conhecimento em características que tornam o modelo fiável.

Uma característica é um atributo que o modelo utiliza nos seus cálculos, como o número de horas de funcionamento desde a última revisão. O engenheiro sabe que atributos são relevantes; o modelo atribui-lhes pesos. Leia o caso de estudo.

Normalmente, são dados dos sensores dos sistemas de controlo das máquinas, paragens e avarias registadas num MES ou sistema de manutenção, encomendas e sequências de operações do ERP e relatórios de medição do controlo de qualidade. O trabalho está em relacionar os dados: que número de máquina e que momento correspondem a cada avaria?

A Brainport Development descreve a região como forte em produção de elevada variedade, baixo volume e elevada complexidade. Há, por isso, pouca repetição por produto. É por isso que muitas vezes fazemos previsões por máquina ou componente, e não por produto. Saiba mais sobre o setor em dados e IA para a indústria transformadora.

Nesse caso, há poucos exemplos com os quais aprender, e um modelo que nunca prevê uma avaria já acerta quase sempre. Por isso, medimos a precisão (a frequência com que um alerta se justifica) e o recall (a proporção de avarias que o modelo deteta) e definimos o limiar em conjunto com o responsável pelo planeamento.

Se houver poucas avarias, o modelo também pode aprender como é o funcionamento normal e assinalar desvios. Chama-se a isto deteção de anomalias.

Para cada previsão, mostramos quais as características que tiveram mais peso, por exemplo com valores SHAP: um método que calcula a contribuição de cada característica para uma previsão específica. Assim, o engenheiro pode ver se o modelo está a reagir a uma subida da temperatura ou a algo irrelevante.

Esta é também uma forma de verificar se as características fazem sentido. Se um modelo obtém bons resultados graças a uma característica que os engenheiros consideram ilógica, está a apoiar-se numa coincidência nos dados.

Onde os responsáveis pelo planeamento e os técnicos já trabalham: no sistema de planeamento, no sistema de manutenção ou num dashboard. Na Fokker Services, a ferramenta ajuda os responsáveis pelo planeamento a programar antecipadamente ordens de trabalho, peças e capacidade. Para saber como melhoramos o próprio planeamento, leia otimizar o planeamento com IA.

As máquinas, os fornecedores e os produtos mudam. Por isso, defina antecipadamente quem monitoriza o modelo e quando será treinado de novo.

Quando as avarias são raras e têm um custo reduzido, quando o fabricante determina a manutenção a realizar ou quando um dashboard com dados do ERP e do MES já responde à questão. Para saber como desenvolvemos modelos para imagens, texto e previsões, consulte machine learning.

Para previsões relativas a cada paciente ou cliente, com ênfase no momento da decisão e na validação, leia consultora de data science em Utrecht.