Texto de Pedro Vieira | PhD em Engenharia Biomédica | R&D + I Project Manager
Introdução
A indústria automóvel tem vindo a sofrer uma transformação significativa nos últimos anos com a integração de tecnologias desenvolvidas para melhorar os processos de produção e a eficiência dos processos em geral.
A Inteligência Artificial (IA) pode representar uma ferramenta poderosa neste setor, capaz de revolucionar as operações de produção e sistemas de teste. Ao aproveitar as capacidades da IA, os fabricantes de automóveis podem otimizar a produção, aumentar a produtividade e garantir padrões de qualidade mais elevados.
No entanto, existem desafios associados à aquisição de dados e à implementação de sistemas de IA neste setor. Ao compreenderem estes desafios e explorarem potenciais soluções, os fabricantes podem tirar partido da tecnologia de IA para alcançar vantagens competitivas e impulsionar a inovação.
Pontos-Chave
- A indústria automóvel está a adotar a IA para otimizar a produção, aumentar a produtividade e garantir os padrões de qualidade.
- Os benefícios da IA incluem: manutenção preditiva, controlo de qualidade, testes com maior eficiência, e maior precisão nas previsões de mercado.
- Os desafios são: recolha de dados complexa, privacidade e segurança dos dados, requisitos de infraestrutura, e défice de qualificações.
- As soluções são: integração de IoT, parcerias de dados, data augmentation, testes de validação de conceito, e monitorização contínua.
- As contribuições da Controlar: plataforma IoT QIO2 e inspeção de displays e segmentos de pistão através de visão computacional e IA.
- Os resultados: produção melhorada, testes mais precisos, redução de custos.
Benefícios da Implementação de IA na Produção Automóvel
Uma das aplicações promissoras da IA na industria fabril é a manutenção preditiva. Ao analisar dados provenientes de sensores, os algoritmos da IA conseguem identificar potenciais falhas de equipamentos antes que estas ocorram. Esta abordagem proativa pode ajudar a prevenir interrupções não planeadas, reduzir os custos de manutenção e melhorar a eficiência operacional.
A BMW utiliza a IA para prever momentos em que o equipamento de produção poderá ter uma probabilidade de falhar. Isto permite agendar a manutenção preventiva antes do equipamento avariar, poupando à empresa milhões de euros por ano.
Outra aplicação da IA na indústria automóvel é o controlo de qualidade. Os sistemas movidos a IA podem analisar grandes quantidades de dados de várias fontes e, comparando estes dados com os padrões de qualidade predefinidos, conseguem identificar defeitos e irregularidades nos processos de fabrico e nos produtos, reduzindo a probabilidade de que produtos defeituosos chegem ao mercado, garantindo assim maior consistência nos padrões de qualidade.
A Tesla recorre à IA para inspecionar potenciais defeitos dos seus veículos. Esta integração ajudou a Tesla a reduzir o número de defeitos na produção, melhorando a satisfação dos clientes.
Para além da manutenção preditiva e do controlo de qualidade, a IA também está a ser utilizada para melhorar a eficiência dos sistemas de teste automóvel, automatizando a análise de dados e identificando potenciais problemas e anomalias. Este processo de automatização reduz significativamente os esforços manuais, aumenta a velocidade dos testes e garante uma avaliação mais completa do desempenho do produto.
Os sistemas de IA também podem utilizar a aprendizagem automática para analisar dados históricos e identificar padrões que podem ser utilizados para prever a procura. Isto pode ajudar a melhorar a previsão da procura e a reduzir os stocks em 30 a 50 por cento, o que acaba por poupar nos custos ao eliminar o transporte, o armazenamento e a gestão da cadeia de abastecimento de bens desnecessários.
Ao prevenir indisponibilidades não planeadas, reduzir os custos de manutenção, melhorar o controlo de qualidade e automatizar os sistemas de teste, a IA pode ajudar os fabricantes de automóveis a melhorar a eficiência, rentabilidade e satisfação dos clientes.
Quais são os Desafios da Integração da IA na indústria Automóvel?
A implementação bem-sucedida de sistemas de IA na indústria depende de vários fatores, tais como: recolha de dados; desafios relacionados com as normas, regulamentos e a segurança; questões éticas e de privacidade; outras considerações técnicas.
1. Fontes e Recolha de Dados
A aquisição dos dados necessários para as aplicações de IA apresenta vários desafios. A indústria automóvel gera uma vasta quantidade de dados de várias fontes, incluindo sensores, máquinas de produção, sistemas de controlo de qualidade e feedback dos clientes. A recolha e integração destes dados pode ser complexa devido a factores como a fragmentação de dados, a heterogeneidade, a qualidade e os silos de dados.
A fragmentação refere-se à natureza dispersa dos dados em diferentes sistemas e departamentos dentro de uma organização. Os processos de fabrico geram dados em várias fases, desde a aquisição de matérias-primas até à montagem e teste. A consolidação e integração destes dados fragmentados é crucial para obter uma visão holística do processo de fabrico e permitir uma tomada de decisão eficaz baseada em IA.
Os dados de diferentes fontes podem ter formatos, estruturas e níveis de granularidade variáveis. Esta heterogeneidade complica o processo de integração de dados, exigindo um esforço significativo para padronizar e harmonizar os dados de forma a torná-los compatíveis com a análise de IA.
Para que os dados possam ser utilizados nestes sistemas, é necessário que sejam precisos, completos e consistentes. A qualidade dos dados é uma etapa crucial para garantir que as decisões são tomadas com base em informações precisas, o que ajuda a melhorar a eficiência das operações.
Os silos de dados são repositórios de dados isolados que existem em diferentes departamentos ou sistemas, o que dificulta o fluxo de informações. Derrubar estes silos e criar um ecossistema de dados unificado é essencial para aproveitar na totalidade o potencial da IA. No entanto, alcançar a interoperabilidade e integração de dados entre departamentos e sistemas pode ser uma tarefa complexa.
2. Privacidade e Segurança dos Dados
A indústria automóvel lida com dados sensíveis e confidenciais, incluindo propriedade intelectual, segredos comerciais, informações dos clientes e dados relacionados com a conformidade.
Os fabricantes devem adotar frameworks abrangentes de gestão de dados e estabelecer políticas e protocolos claros para garantir a privacidade e segurança dos dados durante todo o processo de implementação de IA.
Regulamentos, como o Regulamento Geral de Proteção de Dados (RGPD), impõem requisitos rigorosos à recolha, armazenamento e tratamento de dados pessoais. Os fabricantes devem cumprir estes regulamentos e implementar medidas de proteção de dados robustas para salvaguardar informações pessoais e sensíveis dos sistemas que serão integrados nos veículos.
Este é outro aspecto crucial, pois os sistemas de fabrico automóvel são vulneráveis a ameaças e ataques informáticos. Os sistemas de IA dependem de grandes volumes de dados, e qualquer falha na integridade ou segurança dos dados pode ter consequências graves. A implementação de medidas robustas de cibersegurança, incluindo encriptação, controlos de acesso e avaliações regulares de vulnerabilidades, é essencial para proteger os dados de acessos não autorizados e garantir a integridade dos sistemas de fabrico movidos por IA.
3. Requisitos de Infraestrutura e Recursos
A implementação de sistemas de IA na indústria automóvel carece de uma infraestrutura e capacidades de recursos robustas. A escala e complexidade do processamento de dados, algoritmos de aprendizagem automática e análises em tempo real exigem capacidades de computação, armazenamento e rede de alto desempenho.
Para lidar com grandes volumes de dados, os fabricantes precisam de investir em soluções de armazenamento escaláveis e de alta capacidade, incluindo opções de armazenamento local e na cloud. Isto garantirá que os dados estejam acessíveis, seguros e prontamente disponíveis para aplicações de IA.
Os sistemas de IA dependem da transmissão de dados em tempo real e da comunicação entre vários processos de fabrico, sensores e sistemas. Redes com capacidades robustas e de baixa latência são necessárias para facilitar o fluxo de dados sem problemas e permitir que a tomada de decisões seja feita atempadamente.
4. Desenvolvimento de Competências da Workforce
A integração de tecnologias de IA na indústria automóvel requer uma mão de obra qualificada capaz de utilizar eficazmente estas ferramentas. No entanto, existe frequentemente um défice nas competências e conhecimentos no que diz respeito à implementação de IA.
Os fabricantes devem priorizar as iniciativas de desenvolvimento de competências da workforce para colmatar este défice. A colaboração entre cientistas de dados, engenheiros e especialistas de domínio é crucial para garantir a implementação bem-sucedida da IA. Incentivar o trabalho em equipa interfuncional e promover uma cultura de aprendizagem e inovação contínua pode criar um ambiente propício à adoção eficaz de IA.
Como Superar os Desafios da Aquisição de Dados na Integração da IA?
Para superar alguns dos desafios apresentados anteriormente, podem ser utilizadas várias estratégias e boas práticas:
1. Integração de IoT
A integração de dispositivos e sensores da Internet das Coisas (IoT – Internet of Things) pode facilitar a recolha e monitorização de dados em tempo real. Ao incorporar sensores em equipamentos de fabrico e linhas de produção, os fabricantes podem colher dados valiosos ao longo do processo de produção, permitindo uma melhor tomada de decisão e optimização dos processos.
2. Parcerias de Dados
A colaboração com fornecedores, clientes e outras partes interessadas na cadeia de valor automóvel pode ajudar a estabelecer parcerias de dados. A partilha de dados com parceiros de confiança pode proporcionar o acesso a fontes de dados complementares, melhorar a qualidade dos dados e facilitar uma análise mais abrangente dos processos de fabrico.
Em 2021, a Ford e a Google anunciaram uma parceria para desenvolver uma nova geração de carros conectados. A parceria dará à Ford acesso à tecnologia de IA da Google para criar novos recursos e serviços para os seus veículos.
3. Data Augmentation
Em casos em que o volume ou a qualidade dos dados são insuficientes, os fabricantes podem utilizar técnicas de “aumento de dados”. Isto envolve a geração de dados sintéticos ou o enriquecimento de dados existentes através de técnicas como a interpolação de dados, extrapolação ou simulação. Os “dados aumentados” podem ajudar a superar as limitações existentes e a melhorar a eficácia dos sistemas de IA.
Ao utilizar dados sintéticos para treinar modelos de IA para identificar potenciais problemas na linha de produção, os fabricantes podem prevenir problemas antes que estes ocorram, melhorando a eficiência do processo de produção.
4. Prova de Conceito (PoC)
A realização de uma PoC antes da implementação em escala real pode ajudar a avaliar a viabilidade e o desempenho dos sistemas de IA. Uma PoC permite aos fabricantes testar diferentes algoritmos de IA, avaliar o seu impacto nos processos de produção e identificar quaisquer desafios técnicos ou operacionais precocemente.
A GM utiliza o design generativo baseado em IA para desenvolver PoC para novas peças de automóveis que são mais leves e fortes do que as peças originais. Esta tecnologia irá ajudar na melhoria da eficiência de combustível e dos padrões de segurança dos veículos da GM.
5. Avaliação e Monitorização Contínua
A implementação de sistemas de IA é um processo que requer monitorização e avaliação contínuas. Estabelecer métricas de desempenho, realizar avaliações regulares e aproveitar o feedback de utilizadores e partes interessadas pode ajudar a identificar oportunidades de melhoria, otimizar o desempenho do sistema e impulsionar a inovação.
O Autopilot da Tesla utiliza IA para navegação autonoma e prevenção de obstáculos. Após monitorizar o seu desempenho, os engenheiros constataram que estes sistemas funcionavam inadequadamente em rotas com obstáculos inesperados. A Tesla foi fez alterações ao sistema de IA, o que melhorou o seu desempenho.
Como é que a Controlar Ajuda os Fabricantes a Superar os Desafios da IA?
Plataforma de Integração de IoT
A Controlar desenvolveu o QIO2, uma plataforma de gestão de dispositivos IoT para aplicações de monitorização industrial que utiliza a comunicação LoRaWAN® e Wi-Fi para aumentar a cobertura nas instalações do cliente.
Esta é uma solução altamente escalável, permitindo o uso simultâneo de um grande número e variedade de sensores, atuadores e gateways.
O QIO2 pode ser usado através da cloud ou no local. Todos os dados recolhidos são centralizados e podem ser analisados com diferentes painéis de instrumentos, nos quais podem ser definidos alertas para determinadas variáveis.
A plataforma de gestão de IoT da Controlar mantém todas as informações seguras através da implementação de módulos de encriptação nas camadas de comunicação e na base de dados. Esta solução tem um grande potencial para um crescente número de indústrias, quando se trata de fazer parte da revolução da IA.
Inspeção de qualidade e deteção de defeitos com IA
A Controlar está empenhada em utilizar a IA em vários sistemas inovadores que tem vindo a desenvolver recentemente.
Inspeção de Displays
A Controlar associou-se à Visteon e à Fraunhofer Portugal para desenvolver uma máquina inovadora para inspecção de displays automóveis, que utiliza visão computacional e inteligência artificial.
Este projecto visa desenvolver uma máquina que possa inspecionar e detetar automaticamente quaisquer defeitos ou anomalias nos ecrãs automóveis, uma parte integrante dos carros modernos. A máquina recorre a sistemas de visão de alta resolução para capturar imagens do display e, de seguida, algoritmos de inteligência artificial analisam estas imagens para identificar potenciais defeitos.
A parceria entre a Controlar, a Visteon e o Fraunhofer Portugal reúne a experiência de três entidades líderes nos campos da electrónica automóvel, visão computacional e inteligência artificial. Esta colaboração deverá resultar numa máquina capaz de elevar os padrões para a inspecção de displays automóveis e que melhorará a qualidade e segurança dos automóveis.
Inspeção de Segmentos de Pistão
A Controlar, em conjunto com a MAHLE e a CCG, tem vindo a desenvolver uma máquina para deteção automática de defeitos nos segmentos de pistão, de forma a automatizar totalmente o teste destes produtos.
Esta máquina consegue analisar segmentos de pistão de diferentes dimensões e detetar defeitos em tempo real, de modo a melhorar a eficiência da produção e a aumentar a qualidade do produto. Inclui também algoritmos de IA que, juntamente com câmaras de alta resolução, são capazes de cumprir os objetivos do projeto.
Conclusão
A integração da inteligência artificial (IA) no fabrico automóvel trouxe avanços significativos na otimização da produção e nos sistemas de teste. Com algoritmos de IA, os sistemas de teste podem automatizar processos, detetar defeitos e realizar testes virtuais, o que resulta em avaliações mais rápidas e precisas do desempenho do produto.
No entanto, existem alguns desafios no uso da IA na indústria automóvel. A aquisição de dados acarreta desafios como fragmentação de dados, heterogeneidade e silos de dados, que exigem estratégias como integração de IoT, parcerias de dados e data augmentation. Além disso, garantir a privacidade e segurança dos dados é fundamental para proteger informações confidenciais e cumprir com os regulamentos e legislações.
Todavia, os avanços nos sistemas de teste com base em IA têm provado ser indispensáveis para a indústria automóvel, permitindo que os fabricantes consigam maior precisão nos testes, maior eficiência, e melhor qualidade e fiabilidade dos produtos, o que se traduz na redução de custos para os fabricantes.
