Os sistemas de dados convencionais são projetados para análise automatizada, fluxos de trabalho predefinidos e painéis para monitoramento e relatórios de rotina. Eles são bons, mas não suficientes para a solução de problemas na vida real, que é complexa e não linear por natureza. 

Quando um engenheiro de processos precisa lidar com novos fenômenos ou problemas inesperados, é necessária uma análise de dados ad hoc. Este trabalho exploratório raramente segue uma sequência estrita e orientada pelo sistema; em vez disso, prossegue em etapas indefinidas de investigação, exigindo que os analistas adaptem sua abordagem à medida que as percepções evoluem continuamente. 

Para que essa solução de problemas criativa e essencial floresça, a plataforma de análise de dados deve capacitar os usuários individuais a criar e ajustar facilmente seu ambiente para tarefas específicas de forma intuitiva. 

Personalização: A chave para a solução ágil de problemas e otimização de processos 

Uma ferramenta de análise de dados altamente eficaz deve servir ao “fluxo mental” do usuário, não obrigá-lo a aderir a um fluxo de trabalho teórico rígido. Essa flexibilidade é realizada por meio de capacidades de personalização profunda:

1. Personalização em Tempo Real: A capacidade de definir seus próprios espaços de trabalho, personalizando o layout e selecionando opções de visualização por meio de uma funcionalidade intuitiva de arrastar e soltar, é essencial. Isso permite que especialistas em processos ajustem painéis e criem diagramas ad hoc em segundos para contextualizar um problema específico.
2. Refinamento Intuitivo de Dados: Dados brutos raramente oferecem resultados de análise confiáveis imediatamente. É necessário conhecimento especializado para julgar quais valores são irrelevantes, exigindo ferramentas que suportem limpeza, filtragem e refinamento de dados imediatos. Isso inclui a capacidade crucial de compensar atrasos complexos de processos para garantir descobertas de correlação confiáveis.
3. Motor de Cálculo Ad Hoc: Para derivar medições verdadeiramente úteis, os usuários frequentemente precisam combinar informações de várias fontes, realizar conversões de unidades ou criar novas medições calculadas (sensores virtuais). Os sistemas devem incluir um motor de cálculo embutido que permita aos usuários criar e utilizar facilmente essas medições personalizadas em diagramas e análises como se fossem medições físicas reais.
4. Análise Causal Acessível: Entender o “porquê” é o objetivo final. O sistema deve capacitar os usuários a aplicar intuitivamente métodos de análise avançados para descobrir relações ocultas de causa e consequência. Essa funcionalidade deve ser intuitiva, permitindo que especialistas em processos diagnostiquem a fonte de anomalias sem exigir intervenção de ciência de dados.

As melhores ferramentas de análise de dados combinam capacidades de automação e personalização 

Para uma análise e utilização de dados eficazes, os melhores sistemas de análise de dados permitem tanto a análise automatizada quanto a personalização flexível. 

Vistas padrão e relatórios automatizados atendem à necessidade de consistência e disseminação de conhecimento, mas são insuficientes para as demandas ágeis e espontâneas da solução de problemas moderna e otimização de processos. 

A vantagem competitiva pertence às organizações que implantam sistemas que permitem aos usuários modificar perfeitamente conjuntos de dados, visualizações e parâmetros analíticos, garantindo que o sistema esteja sempre precisamente ajustado à tarefa singular — não importa quão nova — que o usuário está tentando resolver.

 

---

Quer saber Mais?

Nosso Time tem vários especialistas em análises de dados e prontos para ajudar. Leia mais sobre,  Wedge para análise de dados industriais.

Na indústria de papel altamente competitiva, papel consistente e de alta qualidade não é apenas um objetivo — é a base da lucratividade e da satisfação do cliente. No entanto, os métodos tradicionais de monitoramento da qualidade do papel muitas vezes não são suficientes, deixando valiosas percepções enterradas e custando tempo e dinheiro. Este artigo explora como a integração de medições de perfil em Direção Cruzada (CD) com dados de processo pode superar esses desafios, oferecendo uma abordagem mais inteligente para a produção de papel.

Por que os métodos tradicionais não são suficientes

Por décadas, a qualidade do papel tem sido monitorada usando mapas visuais de perfil 2D. Embora eficazes para identificar grandes falhas, esses mapas têm dificuldade em revelar informações mais profundas e detalhadas, cruciais para entender as variações de qualidade. A incapacidade de conectar esses mapas visuais às medições de processo cria um ponto cego crítico, tornando difícil identificar a causa raiz das interrupções na qualidade do papel. Para realmente dominar a qualidade, são necessários métodos robustos para gerenciar extensos dados históricos e entender o impacto das mudanças nas variáveis de processo na estabilidade do perfil.

Decodificando Variações de Perfil

Nenhum perfil de papel é perfeitamente idêntico. Embora uma varredura ideal mostrasse valores perfeitamente uniformes, a produção no mundo real sempre introduz alguma variação. O objetivo não é variação zero, mas sim valores que são normalmente distribuídos em torno de um ponto definido com mínima dispersão. Detectar rapidamente desvios desse estado ótimo é fundamental.

As mudanças de perfil se encaixam em duas categorias principais:

• Mudanças na forma dos vetores de varredura: Estas variam de inclinações simples a formas complexas de U, S ou W.
• Mudanças na distribuição estatística dos valores de varredura: Analise características como valor médio, desvio, simetria da distribuição (assimetria) e forma geral da distribuição (curtose).

Combinar percepções de mapas de perfil com a dinâmica dos dados de processo gera índices específicos de variação de perfil — métricas que sinalizam o surgimento de anomalias de perfil. Acompanhar esses índices como tendências permite uma análise direta junto com outras medições de processo, melhorando a capacidade de identificar as causas das mudanças de perfil. Essa abordagem também permite o estudo eficiente de tendências de longo prazo na uniformidade do perfil de papel.

Introduzindo a Vantagem do Wedge

O sistema Wedge da Trimble oferece uma solução transformadora ao tratar dados de perfil intrincados com a mesma inteligência e flexibilidade de qualquer outra medição de processo. Este sistema avançado de análise de dados capacita os usuários a:

• Explorar Profundamente: Selecionar livremente qualquer período de tempo para estudo, seja uma única execução de produção ou uma qualidade específica de papel ao longo de meses. Filtrar pontos de dados discrepantes para garantir uma análise clara.
• Caracterizar Variações: Calcular índices distintos que caracterizam e identificam precisamente problemas dentro das medições de perfil, transformando anomalias visuais em percepções acionáveis.
• Descobrir Causas Raiz: Comparar índices de variação de perfil com medições de processo para identificar rapidamente mudanças de processo que desencadeiam alterações nos perfis CD, garantindo papel consistentemente uniforme e de alta qualidade.

De Monitoramento a Maestria

O sistema Wedge emprega reconhecimento de padrões avançado para diagnosticar formas de perfil complexas, como um perfil em forma de W. Ele analisa medições de processo relevantes para identificar correlações que ocorreram simultaneamente ou antes da variação do perfil, gerando uma lista priorizada de candidatos a causas raiz potenciais. A ferramenta de reconhecimento de padrões compensa atrasos de processo, garantindo a identificação precisa da causa raiz.

Esta metodologia integrada melhora significativamente a capacidade de identificar rapidamente a causa raiz dos problemas de perfil de papel, garantindo produção consistente de perfis CD uniformes e de alta qualidade. Definido por confiabilidade, rapidez e facilidade de uso, o sistema Trimble Wedge simplifica o processo de diagnóstico, elevando a qualidade do papel e contribuindo para a eficiência operacional e lucratividade sustentada.

Saiba mais

Se você estiver interessado em se aprofundar nas metodologias inovadoras discutidas neste artigo, a Trimble oferece um white paper detalhado intitulado “Improve Paper Quality by Combining Cross Direction (CD) Profile Measurements with Process Measurements.” Este documento fornece uma exploração aprofundada das técnicas e benefícios da integração de dados de perfil e processo. Para solicitar sua cópia e obter mais insights sobre a otimização da produção de papel, entre em contato com wedgesales@trimble.com.

A indústria de celulose e papel está em constante evolução, impulsionada pela necessidade de otimizar processos e manter altos padrões de qualidade. À medida que os métodos tradicionais de monitoramento de dados lutam para acompanhar essas demandas, abordagens inovadoras de análise de dados estão surgindo como ferramentas vitais. Este artigo examina os papéis da análise de dados ad hoc e automatizada, destacando suas contribuições para melhorar a eficiência operacional e a tomada de decisões neste setor complexo.

Análise de Dados Ad Hoc: Flexibilidade e Exploração

A análise de dados ad hoc é caracterizada por sua flexibilidade e natureza exploratória. É particularmente valiosa para abordar questões novas e muitas vezes inesperadas, solucionar problemas e explorar novos fenômenos. Essa abordagem envolve um estudo dinâmico dos dados, permitindo que os analistas adaptem seus métodos com base em percepções em evolução e no problema em questão.

A análise ad hoc é iterativa e não linear, muitas vezes exigindo múltiplos ciclos de redefinição de tarefas, seleção de medições, refinamento e análise de dados, e formulação de conclusões. Essa flexibilidade a torna ideal para gerar novas percepções e entender o comportamento dos processos de forma dinâmica. Por exemplo, quando uma fábrica experimenta uma queda repentina na qualidade do papel, a análise ad hoc pode ser empregada para investigar vários fatores, como a qualidade da matéria-prima, configurações das máquinas e condições ambientais. Ao refinar iterativamente sua análise, os analistas podem identificar problemas específicos e tomar ações corretivas.

No entanto, a natureza iterativa da análise ad hoc pode ser demorada e requer analistas qualificados e recursos significativos. Além disso, a falta de fluxos de trabalho predefinidos pode levar a variabilidade no processo de análise, potencialmente afetando a repetibilidade dos resultados.

Análise de Dados Automatizada: Consistência e Eficiência

Ao contrário dos métodos ad hoc, a análise de dados automatizada emprega uma abordagem sistemática e estruturada que capitaliza o conhecimento de processos existentes e é caracterizada por sua repetibilidade.

Essa técnica enfatiza a visualização de dados, fluxos de trabalho pré-configurados e modelagem de processos. Ela incorpora algoritmos predefinidos, painéis de controle e ferramentas de relatórios para processar dados. Por exemplo, painéis de controle automatizados podem rastrear indicadores-chave de desempenho (KPIs), como taxas de produção, consumo de energia e métricas de qualidade, oferecendo percepções em tempo real e alertas para uma rápida tomada de decisão.

As vantagens da análise automatizada incluem sua consistência, eficiência, escalabilidade e a capacidade de disseminar informações estabelecidas por toda a organização. No entanto, ela é menos adaptável a situações novas ou imprevistas e depende fortemente do entendimento existente. Suposições ou modelos incorretos podem levar a resultados imprecisos, e um investimento inicial substancial e manutenção contínua são necessários para manter a precisão e relevância.

Integração de Abordagens Ad Hoc e Automatizadas

Tanto a análise de dados ad hoc quanto a automatizada desempenham papéis cruciais na indústria de celulose e papel. Cada abordagem tem contribuições únicas para a otimização de processos e tomada de decisões, e sua integração pode levar a operações mais robustas e adaptativas.

Ao integrar ambas as abordagens, as organizações podem alcançar um equilíbrio entre flexibilidade e consistência, levando a uma eficiência operacional aprimorada e melhor controle de qualidade. A análise ad hoc fornece a flexibilidade para responder a novos desafios e oportunidades, enquanto a análise automatizada garante a aplicação generalizada de percepções comprovadas. As percepções obtidas a partir da análise ad hoc podem ser incorporadas em fluxos de trabalho automatizados, melhorando continuamente a precisão e relevância dos sistemas automatizados.

Requisitos para Ferramentas de Análise de Dados

Para apoiar efetivamente tanto a análise de dados ad hoc quanto a automatizada, as ferramentas devem possuir capacidades distintas. Para a análise ad hoc, as ferramentas devem permitir a exploração dinâmica de dados, suportar técnicas analíticas avançadas e facilitar um fluxo de trabalho iterativo. Elas também devem se integrar perfeitamente com várias fontes de dados e oferecer uma interface amigável para permitir rápida adaptação a novos desafios.

Para a análise automatizada, as ferramentas devem suportar fluxos de trabalho e modelos predefinidos, permitir o monitoramento de dados em tempo real, incorporar controle estatístico de processos (SPC) e ser escaláveis para lidar com grandes volumes de dados. Elas também devem facilitar a disseminação do conhecimento estabelecido por toda a organização.

Conclusão

Em conclusão, a integração da análise de dados ad hoc e automatizada pode melhorar significativamente a capacidade da indústria de celulose e papel de otimizar processos e manter altos padrões de qualidade. Ao aproveitar as forças de ambos os métodos, as organizações podem alcançar uma abordagem equilibrada que é tanto adaptativa quanto consistente, levando, em última análise, a operações mais robustas e eficientes.

Saiba mais

Para aqueles interessados em explorar mais a fundo as metodologias inovadoras discutidas neste artigo, a Trimble oferece um white paper abrangente intitulado “Innovative Data Analytics in the Pulp and Paper Industry: Balancing Ad Hoc Insights with Automated Consistency.” Este documento oferece um exame aprofundado das técnicas e vantagens de integrar a análise de dados ad hoc e automatizada. Para solicitar uma cópia e obter insights adicionais sobre a otimização de processos na indústria de celulose e papel, entre em contato com wedgesales@trimble.com.

A quantidade de dados coletados de processos industriais está aumentando em uma velocidade acelerada. Os modernos sistemas de computador permitem que os dados sejam armazenados por longos períodos de tempo e em uma taxa de amostragem muito mais rápida do que nunca. Isso levanta uma questão importante: O que fazer com todos esses dados?

As empresas de “B-to-C” têm coletado e analisado com sucesso dados grandes e complexos de transações de clientes há vários anos. Essa “abordagem de big data” tem como objetivo dar a elas uma vantagem competitiva sobre seus rivais. As empresas industriais de “B-to-B” ainda não estão no mesmo nível, mas a concorrência cada vez maior as obriga a ajustar seus processos de fabricação. As empresas são forçadas a produzir melhor qualidade em quantidades maiores e, ao mesmo tempo, reduzir o consumo de energia e os custos de matéria-prima.

Esses problemas podem ser resolvidos permitindo que os funcionários aprimorem os processos de fabricação com base em dados medidos de séries temporais.

Ao aplicar métodos e ferramentas eficientes de tratamento de dados, as empresas industriais podem descobrir o potencial inexplorado em seus dados existentes, o que leva a diagnósticos de processos aprimorados e a uma vantagem competitiva.

 

Desafios da utilização de dados fragmentados

Durante a última década, as informações digitais, o controle de processos e os sistemas de execução de negócios tornaram-se aplicativos padrão no setor de papel e celulose. Ao mesmo tempo, as quantidades de dados coletados e salvos aumentaram significativamente, e essa tendência continuará no futuro.

Os sistemas usados nas fábricas geralmente se concentram em uma área de processo limitada (por exemplo, manuseio de matéria-prima, preparação de estoque, seção de bobinas) ou em um tipo de dados limitado (por exemplo, dados da malha de controle, dados de processo, dados de qualidade e dados de custo).

Atualmente, grandes quantidades de dados são coletadas, mas apenas uma pequena parte é utilizada. Uma planta de produção ou uma empresa inteira obteria grandes benefícios se todos esses dados fossem combinados de forma integrada, e os funcionários teriam uma visão total do processo.  

Combinação de conhecimento especializado com gerenciamento eficiente de dados

A massa de dados coletados contém muito potencial de melhoria de processos e negócios não utilizados. Para aproveitar esse potencial, é necessário um sistema eficiente de gerenciamento de dados.

Um sistema eficiente de gerenciamento de dados permite a combinação de todas as fontes de dados em um único sistema. Uma interface de usuário amigável ajuda o usuário a obter informações e conhecimentos úteis a partir dessa enorme quantidade de dados. O usuário não precisa gastar muito tempo inserindo dados no sistema de gerenciamento de dados; em vez disso, ele deve se concentrar apenas na solução do problema, no aumento da eficiência ou na melhoria da qualidade do produto final.

As relações entre os fenômenos do processo são muito complicadas, e várias medições afetam umas às outras. Portanto, muitas vezes é necessário combinar as medições originais em medições novas e mais úteis, por exemplo, para calcular o fluxo de sólidos secos com base nas medições originais de fluxo e consistência. Para permitir esse tipo de modificação livre de dados, deve haver uma maneira fácil de adicionar os próprios cálculos ao sistema de manuseio de dados.

Processo de análise de dados: Um fluxo de trabalho orientado pelo sistema ou um fluxo mental orientado pelo ser humano?

A análise do processo pode ser iniciada quando todos os dados relevantes estiverem disponíveis no sistema de tratamento de dados. A Figura 1 ilustra a análise simplificada dos dados do processo ou o fluxo de trabalho do ciclo de solução de problemas.

A primeira etapa é definir o objetivo: o que precisamos descobrir?

A próxima etapa é criar um conjunto funcional de medições. Nesse ponto, é importante combinar dados de diferentes fontes em um único sistema. A conexão de dados deve ser on-line para evitar importações de dados trabalhosas e lentas para o sistema de análise. Os dados também devem estar próximos do tempo real para permitir reações rápidas às situações que surgirem.

Os dados do processo sempre contêm alguns valores ruins, por exemplo, grandes valores discrepantes, valores errôneos e valores de dados de períodos de parada de fábrica. Esse tipo de dados ruins afeta muito os resultados da análise e, portanto, esses valores devem ser removidos antes da análise. Para realizar esse tipo de limpeza de dados de forma eficiente, a ferramenta deve apoiar o conhecimento do processo do usuário. Um funcionário experiente com conhecimento do processo é o melhor em julgar quais valores são irrelevantes e, então, esses valores devem poder ser removidos facilmente do conjunto de dados.

Quando os dados são limpos, o usuário pode realizar a análise do processo, por exemplo, estatísticas e cálculos de correlação. Nessa etapa, é comum que o usuário já encontre algumas informações úteis nos dados, mas quando há muitas medições, isso pode ser trabalhoso. O poder computacional pode ser usado para tornar essa etapa muito mais eficiente. Um computador pode verificar rapidamente várias medições de processo e qualidade para determinar qual delas se correlaciona melhor com a meta definida. O sistema deve ser capaz de classificar as medições e fornecer uma lista de medições candidatas que parecem afetar mais a medição da meta. Nessa etapa, os dados são transformados em informações.

É importante lembrar que o usuário deve ter um bom conhecimento do processo para obter resultados úteis do estudo e tirar conclusões confiáveis. Nesta etapa, as informações são transformadas em novos conhecimentos. Se necessário, o usuário pode redefinir a tarefa e iniciar o ciclo novamente.

Na vida real, um fluxo de trabalho de análise de dados bom e eficiente não é linear e simples como descrito acima; ele se parece mais com uma bola de espaguete.

Novas informações e percepções surgem inevitavelmente quando os dados são processados por meio de métodos criativos de limpeza, refinamento, cálculos e análise. Isso orienta a análise de dados. Muitas vezes, essas novas percepções resultam na redefinição da pergunta original.

Em um fluxo de trabalho de análise de dados eficiente, novas percepções são criadas em todas as etapas. Os sistemas de análise de dados devem dar suporte a esse estilo de trabalho ágil e criativo. Os usuários devem ser capazes de modificar o conjunto de dados, tentar diferentes cenários de limpeza de dados e experimentar diferentes métodos de análise de forma ágil.

Melhor uso dos dados para enfrentar os desafios de produtividade e sustentabilidade

Embora a quantidade de dados esteja aumentando em uma velocidade acelerada, os recursos nas fábricas estão diminuindo. A concorrência entre empresas é acirrada, e a situação não será mais fácil no futuro. Além de tudo isso, a importância de economizar recursos naturais também está aumentando.

Isso força as empresas a executar processos de forma mais eficiente e sustentável. Uma das maneiras mais econômicas de atingir as metas é utilizar os dados existentes de forma mais eficiente.

Atualmente, a equipe da fábrica precisa lidar com muitas tarefas diferentes simultaneamente. Isso significa que eles não podem dedicar muito tempo ao gerenciamento de dados. É necessária uma ferramenta eficiente e intuitiva para combinar todos os dados relevantes em uma mesma visualização. O usuário com bom conhecimento do processo deve ser capaz de obter respostas do sistema para questões de problemas do processo de forma rápida e fácil.

 

---

Quer saber Mais?

Nosso Time tem vários especialistas em análises de dados e prontos para ajudar. Leia mais sobre,  Wedge para análise de dados industriais.