O papel dos gêmeos digitais na gestão de energia e utilidades

Publicado por Victor de Souza em qua, 07/02/2018 - 17:45
gemeos_digitais

A indústria 4.0 (Industrie 4.0) nasce de uma iniciativa do governo alemão, mais especificamente do Ministério de Pesquisa e Educação e do Ministério de Economia e Tecnologia. Essa estratégia trata de uma nova revolução industrial que utiliza conceitos de sistemas ciber-físicos, Internet das Coisas e Computação em Nuvem. Dessa maneira, a produção industrial deve ser auto organizada e, para isso, profissionais, máquinas, plantas, logística e produtos se comunicam e cooperam diretamente, otimizando não somente a produção industrial, mas a cadeia produtiva como um todo. Com base nesses conceitos, surgem as chamadas Fábricas Inteligentes (Smart Factories), sistemas industriais extremamente integrados, inteligentes e eficientes.

Veja também Infográfico: Da 1ª Revolução Industrial à Indústria 4.0

Benefícios e desafios na criação de Gêmeos Digitais

Um importante componente de sistemas industriais inteligentes são modelos digitais de equipamentos e subsistemas: os chamados gêmeos digitais (digital twins), inicialmente pensados para a indústria, são modelos que podem ser utilizados para realizar simulações em equipamentos ou outros sistemas, geralmente, com o objetivo de reduzir o custo operacional e melhorar a eficiência de processos. Com o avanço da tecnologia e da sofisticação dos modelos, outras características também passaram a ser modeladas, como a demanda por produtos. Para a Indústria 4.0, esse tipo de modelo é vital para a digitalização de plantas, equipamentos e processos. A utilização contínua de modelos desse tipo pode ser extremamente benéfica para a produção e para a eficiência energética de máquinas industriais, benefícios que, se bem aplicados, refletem em plantas inteiras, provendo uma economia energética massiva, que também contribui para redução do impacto ambiental. Esse tipo de modelagem pode trazer diversos tipos de benefícios, mas sua implementação não é algo trivial. Há vários desafios na criação de um digital twin.

Modelos sofisticados baseados em dados são notavelmente poderosos, precisos e exatos. Para que um gêmeo digital seja viável é necessário que se tenha uma abundância de dados de boa qualidade Hoje já é possível obter dados em escala suficiente para alimentar esses modelos, haja vista que, com a digitalização de sensores, o volume de dados coletados aumenta cada vez mais. Entretanto, muitas vezes se verifica que a qualidade dos medidores utilizados pode não ser suficiente, ou que uma grande parte dos dados registrados está faltando. Por mais que seja possível utilizar esses dados para o aprendizado de modelos, esse tipo de problema interfere diretamente em seus resultados e análises. Verifica-se que a instrumentação é um aspecto muito importante, por estar diretamente relacionado com a qualidade dos dados.

Mesmo dada a disponibilidade de dados com qualidade e volume suficientes, a construção de um modelo digital twin ainda não é um procedimento simples. O primeiro passo é a definição do problema e a identificação de quais variáveis e características do equipamento ou processo são relevantes para aquela modelagem. Um exemplo frequente é a modelagem de um equipamento com a finalidade de melhorar sua eficiência energética. Para esse caso se faz necessária a definição de qual equipamento será modelado, a identificação dos fatores estáticos e variáveis relevantes do sistema antes de dar prosseguimento para as próximas etapas.

A modelagem em si é um processo que varia bastante com base no processo e nos dados. Para compor um digital twin pode ser utilizado um conjunto de modelos, ou então um modelo único com complexidade maior.

A maior vantagem de se utilizar conjuntos de modelos é que se pode dividir um problema complexo em diversos problemas menores, cada um tratado por um subconjunto de modelos, cada um com características mais adequadas para solucionar cada problema específico. Além disso, é possível utilizar modelos menos complexos para encontrar a solução de um problema complexo, o que é uma boa ideia caso se deseje um modelo explicável sem sacrificar a performance. Hoje há muito esforço para que se possa fazer modelos mais interpretáveis para compreender melhor decisões recomendadas por sistemas inteligentes. Um problema comum desse tipo de abordagem ocorre caso haja a necessidade de agrupar os dados por características similares. Dessa forma, alguns grupos podem ter poucos pontos. Esse tipo de situação é difícil de se modelar, embora haja técnicas para tratar esses casos.

O uso de um modelo único pode ser solução para alguns desses problemas. Ao utilizar todos os dados disponíveis, um modelo mais complexo com múltiplas saídas pode ter uma acurácia superior, além de modelar melhor alguns problemas. Devido à sua alta complexidade, esse tipo de modelo está mais propenso a apresentar problemas de sobreajuste (overfit) e possui menor interpretabilidade, ao mesmo tempo que consegue tratar problemas mais difíceis com acurácia melhor do que modelos simples obteriam.

Um outro problema que ocorre com frequência em aplicações industriais é a falta de manutenção dos modelos. Como todo modelo baseado em dados, os gêmeos digitais estão sujeitos a obsolescência. Conforme ocorrem mudanças no processo, dificilmente os modelos vão conseguir acompanhá-las sozinhos. Para resolver esse problema podem ser utilizadas algumas abordagens diferentes. A estratégia mais comum é definir um intervalo de tempo, por exemplo três meses, e treinar novamente o modelo com dados mais recentes. Outra possibilidade é modelar também a degradação do equipamento ao longo do tempo.

Conclusão

Verifica-se que os gêmeos digitais são ferramentas que podem trazer benefícios excepcionais à indústria. Como toda ferramenta, são necessários que alguns pré-requisitos sejam cumpridos para que se tenha resultados efetivos. Seguindo uma metodologia bem estruturada, é possível criar modelos que sejam efetivamente réplicas digitais de sistemas físicos. Para isso, é de extrema importância uma instrumentação sólida e uma modelagem consistente com o sistema.

 

A plataforma Viridis é baseada amplamente nos conceitos de Internet das Coisas, Big Data e Indústria 4.0, sendo capaz de capturar, armazenar e processar grandes volumes de dados sobre o consumo de energia e utilidades de qualquer unidade operacional, seja um equipamento em particular, seja um processo produtivo como um todo. Esses dados, combinados com informações sobre o contexto em que foram registrados (planos de produção, variáveis de processo, parâmetros operacionais, dentre outros), possibilita, por meio de técnicas de Machine Learning, a construção de modelos de predição que são combinados para criar uma representação digital daquele ativo – um gêmeo digital ou digital twin. A grande capacidade de integração da plataforma facilita a captura de dados relevantes, enquanto suas funcionalidades de modelagem e visualização tornam natural a utilização, interpretação e evolução dos gêmeos digitais, resultando em significativa criação de valor para nossos clientes.


Analista de Dados, Viridis

Analista de Dados da Viridis, formado em Engenharia Elétrica pela UFMG. Possui sólido conhecimento em inteligência computacional e estatística, adquiridos durante sua permanência no Laboratório de Inteligência Computacional da Escola de Engenharia da UFMG.

Comentar