O conceito de inteligência artificial foi introduzido pela primeira vez na década de 1950, há mais de sessenta anos.
No entanto, só nos últimos anos é que a IA registou um crescimento explosivo, principalmente devido à maturação de tecnologias como a Internet das Coisas (IoT), big data e computação em nuvem.
A IoT permite a aquisição em tempo real de grandes quantidades de dados, enquanto o big data fornece recursos de dados e suporte algorítmico para aprendizagem profunda. A computação em nuvem oferece recursos computacionais flexíveis para IA.
A combinação orgânica destas tecnologias impulsiona o desenvolvimento contínuo da IA, resultando num progresso substancial. A partida entre AlphaGo e Lee Sedol trouxe a IA para o primeiro plano, desencadeando uma nova onda de fervor na IA.
O lançamento recorde do ChatGPT no final de 2022, juntamente com a popularidade de ferramentas de desenho de IA como o Stable Diffusion, fizeram de 2023 o ano inaugural da democratização da IA!
A investigação e as aplicações da inteligência artificial estão a florescer progressivamente em vários campos. Com o advento da onda de produção inteligente, a inteligência artificial foi integrada em todos os aspectos da indústria transformadora, incluindo design, produção, gestão e serviços.
I. Três níveis de tecnologia de inteligência artificial
A tecnologia e os produtos de inteligência artificial (IA), através de anos de testes práticos, são agora amplamente aplicados e estão a acelerar a integração da IA em vários setores.
Do ponto de vista técnico, é comumente aceito na indústria que as principais capacidades da inteligência artificial podem ser categorizadas em três níveis: inteligência computacional, inteligência perceptiva e inteligência cognitiva.
1. Inteligência Computacional
Inteligência computacional refere-se à capacidade de armazenamento superior e aos recursos computacionais ultrarrápidos de uma máquina. Pode realizar aprendizagem profunda com base em dados massivos, usando a experiência histórica para orientar o ambiente atual.
Com o desenvolvimento contínuo do poder computacional e a constante atualização dos métodos de armazenamento, pode-se dizer que a inteligência computacional foi realizada.
Por exemplo, AlphaGo, usando tecnologia de aprendizagem por reforço, derrotou o campeão mundial Go, e as plataformas de comércio eletrônico empregam aprendizagem profunda baseada nos hábitos de compra do usuário para recomendações personalizadas de produtos.
2. Inteligência Perceptiva
Inteligência perceptiva refere-se à capacidade das máquinas de possuir sentidos como visão, audição e tato. Pode estruturar dados não estruturados e interagir com os usuários em métodos de comunicação humana.
Com o avanço de diversas tecnologias, o valor de mais dados não estruturados é reconhecido e explorado. A inteligência perceptiva relacionada a sentidos como voz, imagem, vídeo e pontos de contato também está evoluindo rapidamente.
Veículos autônomos e robôs renomados da Boston Dynamics empregam inteligência perceptiva; eles percebem e processam o ambiente ao seu redor por meio de vários sensores, orientando efetivamente suas operações.
3. Inteligência Cognitiva
Comparada à inteligência computacional e perceptual, a inteligência cognitiva é mais complexa; refere-se à capacidade da máquina de compreender, induzir, raciocinar e utilizar o conhecimento como um ser humano.
Atualmente, a tecnologia de inteligência cognitiva ainda está em fase de pesquisa e exploração.
Por exemplo, no sector da segurança pública, extracção de características e análise de padrões de micro e macrocomportamentos de criminosos, desenvolvimento de modelos e sistemas de inteligência artificial para previsão de crimes, penetração de fundos e simulação da evolução do crime urbano.
No setor financeiro, é usado para identificar transações suspeitas e prever flutuações macroeconómicas. Ainda há um longo caminho a percorrer para acelerar o desenvolvimento da inteligência cognitiva.
II. Cenários de Aplicação de Inteligência Artificial na Indústria de Manufatura
Do ponto de vista da aplicação, a implantação de uma única tecnologia de inteligência artificial pode abranger vários níveis de capacidades essenciais, tais como inteligência computacional e inteligência perceptiva.
Robôs industriais, smartphones, carros autônomos, drones e outros produtos inteligentes servem como portadores de inteligência artificial.
Estes produtos, através da combinação de hardware e vários tipos de software, possuem a capacidade de perceber, fazer julgamentos e interagir em tempo real com os utilizadores e o ambiente, ao mesmo tempo que integram várias capacidades essenciais de inteligência artificial.
Por exemplo, na fabricação, uma variedade de robôs inteligentes são amplamente utilizados: robôs de classificação/coleta podem reconhecer e agarrar objetos irregulares de forma autônoma.
Os robôs colaborativos são capazes de compreender e responder ao ambiente ao seu redor. Carrinhos de acompanhamento automatizados podem reconhecer rostos para iniciar o rastreamento autônomo.
Com a ajuda da tecnologia SLAM (Simultaneous Localization and Mapping), robôs móveis autônomos podem utilizar sensores integrados para identificar marcadores de recursos em ambientes desconhecidos e, em seguida, estimar as coordenadas globais do robô e desses marcadores de recursos com base na localização relativa e nas leituras do hodômetro.
A tecnologia de condução autônoma, em termos de posicionamento, percepção ambiental, planejamento de rotas, tomada de decisão comportamental e controle, também integra diversas tecnologias e algoritmos de inteligência artificial.
As aplicações atuais de inteligência artificial nas indústrias de manufatura abrangem principalmente produtos inteligentes de interação de voz, reconhecimento facial, reconhecimento de imagens, pesquisas de imagens, reconhecimento de impressão de voz, reconhecimento de texto, tradução automática, aprendizado de máquina, computação de big data e visualização de dados.
O texto a seguir resume oito cenários comuns de aplicação de IA frequentemente usados na fabricação.
Cenário Um: Classificação Inteligente
Muitas tarefas na fabricação exigem classificação. Se realizado manualmente, o processo é lento, caro e depende da manutenção de um ambiente de temperatura de trabalho adequado. A implementação de robôs industriais para classificação inteligente pode reduzir significativamente os custos e melhorar a velocidade.
Considere o exemplo de classificação de peças. As peças que precisam ser classificadas muitas vezes não estão bem organizadas e, embora o robô tenha uma câmera para ver as peças, ele não sabe como recolhê-las com sucesso. Nessa situação, a tecnologia de aprendizado de máquina pode ser usada.
O robô realiza uma ação de ordenação aleatória, então é informado se a ação teve sucesso em pegar uma peça ou errou.
Após múltiplas iterações de treinamento, o robô aprende a sequência de ações de classificação com a maior taxa de sucesso, as posições ideais para uma seleção bem-sucedida e a ordem de classificação que produz a maior taxa de sucesso.
Após várias horas de aprendizagem, a taxa de sucesso de classificação do robô pode chegar a 90%, equivalente ao nível de um trabalhador qualificado.
Cenário Dois: Gestão da Saúde do Equipamento
Ao realizar o monitoramento em tempo real dos dados de operação da máquina, análise de recursos e técnicas de aprendizado de máquina, podemos prever falhas de equipamentos antes que ocorram acidentes, reduzindo o tempo de inatividade não programado.
Por outro lado, diante de uma falha repentina do equipamento, podemos diagnosticar rapidamente o problema, identificar a causa e fornecer as soluções correspondentes.
Isto é comumente aplicado na indústria manufatureira, especialmente em engenharia química, equipamentos pesados, processamento de hardware, fabricação 3C, energia eólica e outros setores.
Tomemos como exemplo as máquinas-ferramentas CNC. Usando algoritmos de aprendizado de máquina e sensores inteligentes para monitorar informações como potência, corrente e tensão das ferramentas de corte, do fuso principal e do motor de alimentação durante o processo de usinagem, podemos identificar a tensão, o desgaste e o estado de dano do ferramentas, bem como o status de estabilidade do processamento da máquina-ferramenta.
Com base nesses estados, podemos ajustar os parâmetros de usinagem (velocidade do fuso, velocidade de avanço) e instruções de processamento em tempo real, prevendo quando substituir a ferramenta para aumentar a precisão da usinagem, reduzir o tempo de inatividade da linha de produção e melhorar a segurança do equipamento.
Cenário Três: Detecção de Defeitos de Superfície Baseada na Visão
A aplicação de visão mecânica para detecção de defeitos superficiais agora é comum na fabricação.
A visão mecânica pode identificar rapidamente defeitos superficiais pequenos e complexos do produto em milissegundos sob condições em constante mudança e classificá-los, como detecção de contaminantes superficiais, danos e rachaduras.
Algumas empresas de inteligência industrial combinaram o aprendizado profundo com microscópios 3D para aumentar a precisão da detecção de defeitos ao nível nanométrico.
Para produtos defeituosos detectados, o sistema pode determinar automaticamente se eles podem ser reparados, planejar o caminho e o método de reparo e, em seguida, o maquinário executa a ação de reparo.
Por exemplo, o tubo de PVC é um dos materiais de construção mais utilizados e é consumido em grandes quantidades.
É propenso a arranhões superficiais, buracos, ondulações de água e superfícies foscas durante o processo de produção e embalagem, exigindo uma quantidade significativa de mão de obra para inspeção.
Após a implementação da detecção visual automática de defeitos superficiais, as impurezas na superfície do tubo são detectadas automaticamente definindo os tamanhos de área mínimo e máximo, com precisão de detecção mínima de 0,15mm² e taxa de detecção superior a 99%.
Arranhões na superfície do tubo são detectados automaticamente definindo os comprimentos e larguras mínimo e máximo, com precisão de detecção mínima de 0,06 mm e taxa de detecção superior a 99%.
Rugas na superfície do tubo são detectadas automaticamente definindo os comprimentos mínimo e máximo, larguras, comprimentos de segmento e limites de diferença de cor, com uma precisão de detecção mínima de 10 mm e uma taxa de detecção superior a 95%.
Cenário Quatro: Inspeção da Qualidade do Produto e Determinação de Falhas com Base no Reconhecimento de Impressão de Voz
Utilizando a tecnologia de reconhecimento de impressão de voz, podemos detectar automaticamente sons anômalos, identificar produtos defeituosos e comparar com um banco de dados de impressão de voz para determinação de falhas.
Por exemplo, desde o final de 2018, a fábrica da Faurecia (Wuxi) iniciou uma colaboração abrangente com a equipa de Big Data Science do grupo, dedicada à aplicação da tecnologia de IA à avaliação de desempenho NVH (ruído, vibração e aspereza) dos ajustadores de assentos.
Em 2019, a fábrica da Faurecia (Wuxi) incorporou a tecnologia de IA na detecção de sons anômalos dos ajustadores, realizando a automação de todo o processo desde a coleta de sinais, armazenamento de dados, análise de dados até a autoaprendizagem. A eficiência e a precisão da detecção excedem em muito a inspeção manual tradicional.
Com a implementação do sistema de detecção de ruído baseado em tecnologia de IA na fábrica de Wuxi, o número de funcionários diminuiu de 38 para 3. Simultaneamente, a capacidade de controlo de qualidade melhorou significativamente, com um benefício económico anual que atingiu 4,5 milhões de RMB.
Cena Cinco: Tomada de Decisão Inteligente
As empresas de produção podem aplicar tecnologias de inteligência artificial, como a aprendizagem automática, em conjunto com a análise de grandes volumes de dados, para otimizar os métodos de programação, melhorando as suas capacidades de tomada de decisão em áreas como a qualidade do produto, a gestão operacional, a gestão do consumo de energia e a gestão de ferramentas.
Por exemplo, o sistema inteligente de gerenciamento de produção da FAW Jiefang Wuxi Diesel Engine Factory apresenta recursos como coleta de dados de anomalias e programação de produção, diagnóstico de causas anormais com base em árvores de decisão, previsão de tempo de inatividade de equipamentos com base em análise de regressão e otimização de decisão de programação com base em máquinas. aprendizado.
Usando os dados históricos do processo de decisão de programação e os indicadores reais de desempenho de produção pós-programação como conjunto de dados de treinamento e empregando algoritmos de rede neural, os parâmetros do algoritmo de avaliação de decisão de programação são ajustados para garantir que as decisões de programação atendam aos requisitos reais de produção.
Cena Seis: Geminação Digital
A geminação digital é o espelhamento de entidades físicas no mundo virtual. A criação de gêmeos digitais integra inteligência artificial, aprendizado de máquina e dados de sensores para estabelecer um modelo “real” vívido e atualizado em tempo real que apoia a tomada de decisões ao longo do ciclo de vida dos produtos físicos.
Na busca pela modelagem de ordem reduzida de entidades gêmeas digitais, modelos complexos e não lineares podem ser colocados em redes neurais. Aproveitando o aprendizado profundo, é estabelecido um objetivo finito, no qual se baseia a modelagem de ordem reduzida.
Por exemplo, no modelo tradicional, a simulação fluida e térmica de uma saída de uma tubulação de água quente e fria, utilizando um servidor de 16 núcleos, requer 57 horas por cálculo. Depois de implementar a modelagem de ordem reduzida, cada cálculo leva apenas alguns minutos.
Cena Sete: Design Generativo
O design generativo é um processo interativo e autoinovador. Quando os engenheiros estão projetando produtos, eles só precisam definir os parâmetros desejados e as restrições de desempenho sob orientação do sistema, como material, peso, volume, etc.
Combinando isto com algoritmos de inteligência artificial, centenas a milhares de soluções viáveis podem ser geradas automaticamente de acordo com a intenção do designer. Estes são então comparados de forma autônoma e o projeto ideal é selecionado e recomendado ao projetista para a decisão final.
O design generativo tornou-se um novo campo interdisciplinar, profundamente integrado com tecnologias de computação e inteligência artificial, aplicando algoritmos e tecnologias avançadas ao processo de design.
Algoritmos generativos amplamente utilizados incluem sistemas paramétricos, gramáticas de forma (SG), sistemas L, autômatos celulares (CA), algoritmos de otimização de topologia, sistemas evolutivos e algoritmos genéticos.
Cena Oito: Previsão de Demanda e Otimização da Cadeia de Suprimentos
Aproveitando a inteligência artificial, estabelecemos modelos precisos de previsão de demanda, permitindo que as empresas façam previsões de vendas, antecipem os requisitos de peças de manutenção e tomem decisões orientadas pela demanda.
Simultaneamente, através da análise de dados externos e com base em previsões de procura, formulamos estratégias de reposição de stocks, avaliações de fornecedores e seleção de peças.
Por exemplo, num esforço pragmático para controlar os custos de gestão da produção, a American Honda Motor Company pretendia compreender quando ocorreria a procura futura dos clientes.
Portanto, criaram um modelo preditivo utilizando dados de vendas e manutenção de 1.200 concessionárias. Esse modelo estima o número de veículos que retornarão às concessionárias para manutenção nos próximos anos.
As informações foram então usadas para definir parâmetros de referência para a pré-preparação de várias peças. Essa transformação permitiu à American Honda alcançar uma precisão de previsão de até 99% e reduzir em três vezes o tempo de reclamação dos clientes.
III. Conclusão
Atualmente, com um número crescente de empresas, universidades e organizações de código aberto a entrar no campo da inteligência artificial, um grande influxo de software e plataformas de código aberto de IA bem-sucedidos está a conduzir a um boom sem precedentes na inteligência artificial.
No entanto, em comparação com sectores como o financeiro, as aplicações da IA na indústria transformadora, embora numerosas, não são particularmente proeminentes e pode-se dizer que o seu desenvolvimento tem sido relativamente lento.
As principais razões para esses problemas decorrem das três áreas a seguir:
1. A coleta, utilização e desenvolvimento de dados durante o processo de fabricação apresentam desafios significativos. Além disso, a maioria das empresas depende principalmente de bases de dados privadas e de escala limitada, resultando na falta de amostras de aprendizagem automática de alta qualidade. Isto restringe o processo de autoaprendizagem da máquina.
2. Existe uma variedade de diferenças entre os setores industriais, o que aumenta a complexidade das soluções de inteligência artificial e aumenta a procura de personalização.
3. Em vários setores, faltam empresas líderes que possam impulsionar a tendência de integração profunda da inteligência artificial com a produção.
Ao abordar estas três questões críticas, a tecnologia de inteligência artificial poderia ser melhor aplicada na indústria transformadora.
