A Indústria 4.0, a indústria química e o profissional da indústria

Química e Derivados - ABEQ Cristalização: separação, purificação e complexidade

Química e Derivados - A Indústria 4.0, a indústria química e o profissional da indústria

Olá, leitora e leitor! Possivelmente vocês já tenham sido atropelados pela expressão ‘Indústria 4.0’. Essencialmente, o atual estágio de evolução da tecnologia permitiria uma mudança tão radical na indústria quanto foi a introdução da eletricidade há um século, de modo que estaríamos diante de uma quarta revolução industrial. A primeira revolução industrial foi a introdução da mecanização movida a água e a vapor, a partir do fim do século XVIII. A segunda foi a disseminação da eletricidade (e do petróleo), e a terceira ocorreu como resultado da automação e da introdução da microcomputação a partir da década de 80 do século passado. Já esta quarta revolução industrial implica, entre outras coisas, aumento expressivo de dados disponíveis na indústria, na necessária atualização profissional, e no reconhecimento da segurança cibernética como um problema cotidiano.

A Indústria 4.0 e a enxurrada de dados

Segundo definição da Wikipedia, Indústria 4.0 ou Quarta Revolução Industrial é uma expressão que engloba algumas tecnologias para automação e troca de dados e utiliza ferramentas como Sistemas Ciberfísicos (ou sistemas embarcados), Internet das Coisas e Computação em Nuvem. A Indústria 4.0 conseguiria a partir dessas ferramentas diminuir custos de produção e aumentar a produtividade. Este conceito englobaria as principais tecnologias disponíveis no mundo e poderia ofertar produtos e serviços mais personalizados e customizáveis para os clientes.

Michael Risse e Edwin van Dijk em artigos complementares na Chemical Engineering de outubro deste ano discutem especificamente um dos impactos da Indústria 4.0 na Indústria Química. Segundo os autores, as indústrias de processos químicos produzem diariamente dados a uma taxa sem precedentes, incluindo dados históricos de processos e dados contextuais de sistemas de negócios e manufatura. As plantas podem gerar terabytes de dados de sensores por dia e as empresas podem gerar dezenas de terabytes de dados por dia. Com o surgimento de sensores e outros equipamentos conectados via Internet Industrial das Coisas (IIoT), esses volumes de dados estão se expandindo exponencialmente. Esperam-se investimentos de US$ 745 bilhões este ano em IIoT, o que representa um aumento maciço nos dados do sensor. Apesar do entusiasmo em torno dos sensores “inteligentes”, os autores alertam que os dados vão desperdiçar análises robustas ausentes para permitir insights.

Segundo os autores, a ideia de “dados ricos, informações ruins” ameaça afogar as organizações em um mar de dados subutilizados, impulsionando a busca de novas soluções. Nos últimos 30 anos, as planilhas foram a ferramenta de análise preferida nos processos de produção, mas essa ferramenta de uso geral não seria mais suficiente para análises complexas dos volumes crescentes de dados de séries temporais. Em todos os níveis de uma empresa de manufatura – dos operadores aos engenheiros, das equipes de campo ao controle de qualidade e executivos – todos precisam de informações úteis para a tomada diária de decisões. A solução passaria pela Análise Avançada dos Dados, que pode ocorrer em quatro frentes:

• Análise descritiva: o que está acontecendo em minhas operações?

• Análise de diagnóstico: por que isso está acontecendo em minhas operações?

• Análise preditiva: o que acontecerá em minhas operações?

• Análise prescritiva: o que preciso fazer em minhas operações?

Os autores concluem seus textos apresentando exemplos bem sucedidos de diminuição dos tempos de batelada, otimização de ciclos de limpeza, previsão de incrustação em trocadores de calor, redução de emissões poluentes, e economia de energia. No entanto, os artigos não deixam claro qual ferramenta ou quais ferramentas específicas substituirão as tradicionais planilhas eletrônicas como ferramentas de análises.

Outras referências apontam o ‘R’ e o ‘Python’ como duas linguagens que facilitam a programação voltada para a análise de dados, o que, obviamente, implica necessários conhecimentos em programação, o que nunca foi trivial e disseminado. Diferentes pacotes comerciais ainda disputam a proeminência na escolha de usuários ‘comuns’. A Microsoft, dona do ainda dominante MS Excel, está na briga com o Windows Azure.

Ronanki et al. (2016), abordando o mesmo tema, usam uma analogia extrema – dados são o novo petróleo e as empresas devem ser as refinarias desse petróleo. Segundo os autores, os dados têm de estar disponíveis em diferentes níveis decisórios, e a análise desses dados deve ser compartilhada e integrada.

[adrotate banner=”284″]

A questão da mão-de-obra

Dentro deste novo e atual cenário, espera-se que o Engenheiro de Processos (process engineer) passe a ser um Engenheiro de Análise de Processos (process analytics engineer), intermediário entre o engenheiro de processos tradicional e o cientista de dados, mas já capaz de criar modelos de aprendizagem de máquinas. James Le (2016) sugere 10 ferramentas de aprendizagem de máquinas que todo engenheiro deveria conhecer:

1. Árvore de Decisões: número mínimo de perguntas sim/não, para avaliar a probabilidade de tomar uma decisão correta, que permite abordar o problema de forma estruturada e sistemática para chegar a uma conclusão lógica;

2. Classificadores Naïve-Bayes: família de classificadores baseados no teorema de Bayes que permitem classificar informação, como spam de e-mail, tema de uma notícia, emoções expressas em um texto escrito etc.;

3. Regressão por mínimos quadrados: técnica que permite ajustar um modelo a um conjunto de pontos experimentais;

4. Regressão logística: modela um resultado binomial com uma ou mais variáveis explicativas, medindo a relação entre a variável categórica dependente e uma ou mais variáveis independentes e estimando probabilidades usando uma função logística, que é a distribuição logística cumulativa. Pode ser usada em aplicações como: pontuação de crédito, ou previsão de receitas de um determinado produto;

5. Máquinas vetoriais de suporte (SVM): é um algorítmo de classificação binária que permite, por exemplo, detecção de gênero baseada em imagem;

6. Métodos de conjunto (ensemble) como ponderação bayesiana;

7. Algoritmos de agregação: permitem diferenciar subconjuntos de dados de uma mesma população aparente. Entram nesta categoria ferramentas como redes neurais artificiais e k-means;

8. Análise por componentes principais (PCA): reorganiza um conjunto de históricos de dados (sensores industriais, por exemplo) em um novo conjunto ortogonal de combinação das variáveis originais ordenando a variância total. Por exemplo, em uma planta com 80 sensores, os três primeiros componentes principais poderiam responder por 60% da variância total;

9. Decomposição de valores singulares;

10. Análise de componentes independentes (ICA): está relacionada ao PCA, mas é mais poderosa, pois capaz de encontrar os fatores subjacentes das fontes quando esses métodos clássicos falham completamente. Suas aplicações incluem imagens digitais, bancos de dados de documentos, indicadores econômicos e medições psicométricas.

No Brasil, o editorial do jornal O Estado de São Paulo, de 19 de outubro de 2019, ecoa pesquisa realizada em 2018 pela Fiesp em parceria com o Senai, na qual 32% dos industriais entrevistados disseram que não sabem o que é a Quarta Revolução Industrial, ou Indústria 4.0. Segundo o editorial, o estudo da Fiesp revelaria que o Brasil se encontra fora da nova economia mundial, sem relevância em nenhuma das áreas-chave da Indústria 4.0. A pesquisa mostrou que apenas 5% das empresas brasileiras se sentem “muito preparadas” para enfrentar os desafios da Indústria 4.0, que 23% se consideram “nem um pouco preparadas”, e também apontou que somente 41% das empresas brasileiras utilizam o lean manufacturing – o sistema de produção enxuta. O editorial termina, sem surpresa alguma, apontando a baixa qualidade da mão-de-obra nacional e a incapacidade do nosso sistema educacional em dirimir este problema como causas principais do despreparo apontado na pesquisa.

É justo, no entanto, reconhecer que o governo federal já enxergou o problema, e propôs medidas para o Brasil migrar para a indústria 4.0. Há um grupo de trabalho (GTI4.0) que inclui mais de 50 instituições representativas de governo, empresas e sociedade civil organizada. O site é http://www.industria40.gov.br/.

A preocupação com qualidade da mão-de-obra e futuro do emprego em face às mudanças aceleradas do mundo é a razão de ser da força-tarefa do MIT (Massachusetts Institute of Technology) ‘Work of the Future’ (Trabalho do Futuro), que no seu relatório de Outono de 2019 afirma: “Colocando de maneira simples: não vemos falta de boas carreiras para trabalhadores altamente qualificados. E não vemos falta de empregos para trabalhadores menos instruídos. Mas encontramos uma escassez de boas carreiras para trabalhadores sem treinamento pós-secundário significativo – forte treinamento técnico ou vocacional, certificação de nível de associado em um campo credenciado ou obtenção de uma faculdade tradicional de quatro anos ou pós-graduação.”

Química e Derivados - André Bernardo é Engenheiro Químico formado na Escola Politécnica da USP ©QD
André Bernardo é Engenheiro Químico formado na Escola Politécnica da USP *

Últimas palavras: a questão da segurança

Indústrias cada vez mais conectadas elevam o risco de segurança da informação e de paradas não programadas. A mesma pesquisa da Fiesp já citada neste texto mostrou que 31% das empresas já sofreram ataques cibernéticos. Destas, 16% são pequenas, 8% médias e 7% grandes. Sinalizou também que 92% estão cientes da importância de investir em cibersegurança, e apenas 18% disseram que a sua infraestrutura de tecnologia da informação “está adequada” para suportar as tecnologias da Indústria 4.0.

Outro aspecto ainda menos discutido é a segurança do cliente quanto a sua privacidade, uma vez que a análise de dados frequentemente recorre a informações que pessoas e empresas disponibilizam sem total conhecimento de que o fazem.

[adrotate banner=”284″]

Referências

Edwin van Dijk. Create an analytics-enable workforce. Chemical Engineering, vol 126, no. 10, 2019.

Indústria 4.0. Disponível em: https://pt.wikipedia.org/wiki/Ind%C3%Bastria_4.0, acessado em 21 de outubro de 2019.

James Le. The 10 Algorithms Machine Learning Engineers Need to Know. 2016. Disponível em: https://gab41.lab41.org/the-10-algorithms-machine-learning-engineers-need-to-know-f4bb63f5b2fa, acessado em 21 de outubro de 2019. Existe uma tradução disponível em: https://www.cetax.com.br/blog/0-algoritmos-de-aprendizagem-de-maquina-que-os-engenheiros-precisam-de-conhecer/

Michael Risse. Advanced Analytics: Accelerating Insights for Engineers. Chemical Engineering, vol 126, no. 10, 2019.

O Brasil e a Indústria 4.0 – Editorial O Estado de S.Paulo, 19 de outubro de 2019.

The Work of the Future: Shaping Technology and Institutions Fall 2019 Report. Disponível em: https://workofthefuture.mit.edu/sites/default/files/2019-09/WorkoftheFuture_Report_Shaping_Technology_and_Institutions.pdf. Acessado em 21 de outubro de 2019.

Rajeev Ronanki, Ashish Verma, David Pierce, Mark Shilling. 2016. Industrialized analytics Data is the new oil. Where are the refineries? Disponível em: https://www2.deloitte.com/us/en/insights/focus/tech-trends/2016/data-assets-and-analytics.html. Acessado em 21 de outubro de 2019.

Texto: André Bernardo

* André Bernardo é Engenheiro Químico formado na Escola Politécnica da USP, com mestrado em Desenvolvimento de Processos Biotecnológicos pela Faculdade de Engenharia Química da Unicamp e doutorado em Engenharia Química pela UFSCar. Trabalhou no Instituto de Pesquisas Tecnológicas do Estado de São Paulo (IPT) e em diferentes indústrias químicas. Atualmente é professor do Departamento de Engenharia Química da UFSCar. E-mail de contato: [email protected]

Associe-se à ABEQ

Associe-se à ABEQ e tenha acesso aos benefícios: https://www.abeq.org.br/beneficios-associados/. Os associados também têm descontos nos nossos cursos e eventos.

2 Comentários

Deixe um comentário

O seu endereço de e-mail não será publicado.