Instituto Federal de Educação, Ciência e Tecnologia de São PauloPrograma de Pós-Graduação

Departamento de Engenharia Elétrica - Ênfase Automação e Controle

.

Plano de Trabalho

PROJETO DE PRODUTIVIDADE EM PESQUISA PQ-CNPq

Período 03/2019 – 03/2021

Aplicação de Big Data e Internet das Coisas em uma Empresa de Manufatura – Um Estudo de Caso da

Industria 4.0 no Processo de Produção de Autopeças

Palavras-Chave: Industria 4.0, Big Data, Internet das Coisa (IoT), Computação em nuvem, Célula de manufatura, lógica de produção.

Devido ao limite de upload de arquivos com 1MB, para obter uma versão completa contendo todas figuras e anexos, favor acessar o link: www.feng.pucrs.br/-vargas/Aiolos

Prof. Dr. Cesar da Costa

Instituto Federal de Educação, Ciência e Tecnologia de São Paulo – IFSP

Departamento de Engenharia Elétrica

Av. Pedro Vicente, 625

01109-010 - São Paulo – SP

Fone: +55 (11) 2763-7500

ccosta@ifsp.edu.br , cost036@hotmail.com

São Paulo, 28 de Julho de 2018

1

SUMÁRIO

1. Introdução, Motivação da Proposta.......................................................................................................1

2. Estado da Arte.........................................................................................................................................2

2.1. Fundamentos Básicos......................................................................................................................2

2.1.1. Big Data e Internet das Coisas......................................................................................................3

2.1.1.1. Big Data.................................................................................................................................3

2.1.1.2. Internet das Coisas................................................................................................................3

2.2. Computação em Nuvem..................................................................................................................4

2.3 Soluções Existentes...........................................................................................................................5

2.4 Vantagens Propostas e Avanço do Estado-da- Arte.........................................................................6

3. Desenvolvimento do Projeto, Principais Etapas....................................................................................7

3.1. Proposta de Implementação do Projeto.........................................................................................8

4. Cronograma de Desenvolvimento..........................................................................................................9

5. Quadro de Pessoal: coordenador e bolsistas do projeto.....................................................................10

6. Resultados Esperados...........................................................................................................................10

REFERÊNCIAS.............................................................................................................................................11

2

1. Introdução, Motivação da Proposta

O recente desenvolvimento tecnológico mudou as condições de trabalho daindústria de manufatura [1]. Atualmente a Indústria 4.0 é descrita como a quarta revolução industrial que permite a digitalizacao da cadeia de valor . A revolução permite que os locais de produção sejam conectados através de sistemas de informações inteligentes. Como resultado, as máquinas podem se comunicar com outras máquinas e produtos. Além do que, dados mais precisos podem ser entregues e informações podem ser processadas em tempo real [2]. No entanto, a história diz que o desenvolvimento tecnológico leva tempo. Uma mudança completa para a adoção da Indústria 4.0 provavelmente exigirá cerca de 20 anos antes que todo o potencial possa ser realizado. Por outro lado, Rüssmann et al. [2] estimam que progressos importantes serão feitos durante os próximos cinco a dez anos, o que resultará na ascensão das empresas brasileiras.

Melhor eficiência e custos reduzidos são dois resultados possíveis da digitalização de produtos e da cadeia de valor. Além disso, a digitalização é um fator essencial para manter a competitividade ou aumentar a competitividade de uma empresa na indústria de transformação. Aqui, é de grande importância digitalizar os serviços e produtos que já estão no portfólio da empresa, mas também trabalhar com o desenvolvimento de novos serviços digitais. Isso significa que os modelos de negócios das empresas de manufatura são desafiados pelo grande e rápido progresso do desenvolvimento digital. Claramente, a digitalização industrial resulta em várias oportunidades, mas também resulta em vários novos desafios e riscos. Esses desafios precisam ser considerados quando se considera o potencial da Indústria 4.0.

Espera-se que a Industria 4.0 tenha um profundo impacto, bem como a capacidade de mudar os processos de manufatura, projeto, operações e sistemas de produção. Uma mudança é esperada em direção as plantas inteligentes, que estarão conectadas umas às outras via Internet das Coisas (IoT). Isso pode ser visto como uma alteração significativa em comparação com a situação atual, com as células de manufatura automatizadas seguindo o Modelo de Referência ISA 95 [3].

A divulgação sobre a digitalização está aumentando a demanda por novas gerações de sistemas de automação. Conceitos como o Modelo de Arquitetura de Referência da Indústria 4.0 (RAMI 4.0) nos fornecem modelos, mas não nos dizem como executar suas implementações reais [3].

As mudanças na produção industrial associadas à Indústria 4.0 são impulsionadas por alguns avanços importantes da tecnologia. Dois dos desenvolvimentos tecnológicos mais importantes são big data e Internet das Coisas (IoT). Big data e Internet das Coisas facilitam o compartilhamento de informações e tornam a cadeia produtiva mais flexível [2].

Big data é explicado como uma coleção massiva e um conhecimento dos dados, que é possível graças a grandes capacidades analíticas que monitoram e analisam vários fluxos digitais [4]. A IoT, por outro lado, é composta de várias fontes de dados conectadas que geram dados e se comunicam entre si de maneira eficiente [5]. Ao implementar a IoT, uma empresa deve primeiro ter uma estratégia de big data para lidar com as enormes quantidades de dados gerados [6].

Assim, big data e IoT estão intimamente relacionados e contribuem para a transformação da produção industrial. Também é por isso que ambas as tecnologias serão investigadas nesta pesquisa. Além disso, ambas as tecnologias são avanços recentes [2] e atualmente é difícil para as empresas de manufatura perceberem o potencial que realmente existe. Além disso, é difícil prever o grau de ameaça de novos atores que são capazes de competir com negócios totalmente digitalizados, em vez dos tradicionais produtos físicos [6].

A discussão aqui proposta é baseada em um exemplo particular de uma plataforma de integração de automação. Para entender o potencial do big data e da IoT em empresas de manufatura, o processo de produção de uma empresa de autopeças é investigado. A empresa é experiente dentro da indústria de autopeças para automóveis. À medida que a complexidade da produção da empresa de autopeças aumenta, mais dados precisam ser manipulados. Atualmente, os dados são coletados manual e automaticamente. Por exemplo, controles de qualidade são realizados regularmente para assegurar a qualidade dos produtos. Os resultados dos controles são documentados manualmente no papel. Esta documentação é colocada em uma pasta que é armazenada em uma sala separada. Por outro lado, existem outros tipos de dados que são registrados automaticamente em um sistema de informação. Dependendo de onde no processo de produção os dados são coletados, os dados são registrados e processados em diferentes sistemas. A coleta de dados

1

de diferentes maneiras e locais pode resultar em ilhas de informações. Essas ilhas de informações impedem o compartilhamento eficiente de dados e a tomada de decisões confiáveis.

A transformação digital em que os dados e IoT são utilizados poderia levar a uma oportunidade de eliminar ilhas de informações. O projeto e a validação de tais sistemas de automação tem sido objeto de extensa pesquisa tanto no âmbito acadêmico quanto industrial. E neste caso, é o foco central deste Projeto de Produtividade de Pesquisa CNPq. Neste contexto, este projeto tem desdobramentos e aplicação direta na indústria de manufatura.

2. Estado da Arte

2.1. Fundamentos Básicos

O mundo tem observado várias revoluções industriais ao longo da história. A 1ª revolução industrial introduziu a produção usando água e vapor; a segunda revolução industrial focada na produção em massa facilitada pela energia elétrica; e 3ª revolução industrial aplicou eletrônica e TI para promover e automatizar a produção. Atualmente, o mundo está movendo-se para a próxima revolução industrial - Indústria 4.0, que permite que os fabricantes se conectem a partir do fornecedor, recursos de fabricação, distribuidor, até o produto em si [7].

A indústria 4.0 faz parte da Internet das coisas (IoT), mas é orientada para a indústria. O núcleo fundamental da indústria 4.0 inclui fábrica inteligente, sistema físico cibernético, análise avançada, big data, computação em nuvem e realidade aumentada [8] [9]. A fábrica inteligente é a fábrica que aplica a tecnologia da informação (TI) para melhorar o gerenciamento dos recursos da produção e a qualidade dos serviços, baseados na digitalização e automação da fábrica [8-11]. Os modelos de fábrica inteligente são amplamente discutidos, mas os padrões para a implementação da fábrica inteligente ainda não foram estabelecidos [11].

As mudanças na produção industrial associadas à Indústria 4.0 são impulsionadas por nove avanços importantes da tecnologia. Dois dos desenvolvimentos tecnológicos mais importantes são big data e Internet das Coisas (IoT) . A Figura 1 ilustra as nove tecnologias que compõe o conceito de Industria 4.0. [2].

2

Fig. 1. As nove tecnologias que compõem a Industria 4.0.

2.1.1. Big Data e Internet das Coisas

As tecnologias Internet das Coisas e big data estão em fase de implantação na indústria de manufatura brasileira. Isso gera várias definições e descrições de conceitos. O termo Indústria 4.0 surgiu originalmente de uma iniciativa política na Alemanha. Big data e IoT são considerados os componentes essenciais da Industria 4.0 e permitiram a nova revolução industrial, assim como a energia a vapor durante a primeira revolução ou a eletricidade durante a segunda revolução industrial [2].

Devido à estrutura atual das indústrias de transformação, é necessário modelar uma fábrica inteligente para atualizar a indústria de manufatura. A fábrica inteligente adota a combinação de tecnologia física e tecnologia cibernética e integra profundamente sistemas discretos anteriormente independentes, tornando as tecnologias envolvidas mais complexas e precisas do que são agora. Para entender os conceitos gerais dessas tecnologias, este trabalho baseia-se na consolidação das diversas definições da Indústria 4.0.

2.1.1.1. Big Data A tecnologia denominada Big Data caracteriza-se por três tributos fundamentais: volume, rapidez e

variedade. (a) O volume está relacionado à escala dos dados, ou seja, a grande quantidade de informações que

podem ser armazenadas [12]. Os custos de elementos no tratamento de dados, como armazenamento, memória e conectividade, estão constantemente diminuindo. Isso possibilita lidar com grandes volumes de dados [13]. Por exemplo, mais de 40 trilhões de gigabytes de dados serão gerados previsivelmente até 2020, o que corresponde a um aumento de 300 vezes em comparação aos atuais [13].

(b) A rapidez está associada à velocidade de enviar dados ao computador, como as atualizações em tempo real. Em muitos casos, as atualizações em tempo real podem ser mais importantes, do que o atributo volume [13]. Um exemplo ilustrativo de rapidez, incluindo análise de dados, são os carros modernos equipados, com cerca de cem sensores. Esses sensores servem ao propósito de supervisionar vários aspectos, incluindo a pressão dos pneus e o nível de combustível [12].

3

(c) A variedade refere-se aos diferentes tipos e formas de dados que são coletados. Os dados podem ser coletados de fontes internas e externas. Mensagens ou atualizações em redes industriais ou corporativas, registros de sensores, sinais de GPS e previsões do tempo são exemplos do atributo variedade de dados em big data [13].

Para entender melhor a terminologia de volume, velocidade e variedade, um exemplo associado ao tempo e a localização é descrito. O volume de dados do sensor pode detectar os locais de, por exemplo, do inventário mal posicionado. A velocidade pode determinar a localização atual e o movimento do inventário. A variedade pode estimar não apenas a localização exata do inventário, mas também de quem está próximo, quem o administra e seu caminho previsto [12], [13]. No entanto, como big data é um novo avanço tecnológico, existem inúmeras variações quanto às características da tecnologia.

2.1.1.2. Internet das Coisas

Como a tecnologia Big Data, existem várias definições de Internet das Coisas. A IoT é constituída por muitos objetos conectados a um sistema de rede maior, formada por outros objetos. Os avanços na tecnologia IoT ocorrem rapidamente e, em 2020, estima-se que 50 bilhões de dispositivos estejam conectados entre si, em comparação com os 5 bilhões atuais.

A Internet das Coisas (IoT) é derivada da ideia de que o computador irá desaparecer progressivamente como um dispositivo no futuro e, será substituído por "objetos e coisas inteligentes". Em vez de serem objetos de atenção humana, esses objetos com eletrônica embarcada, inteligentes e cada vez menores, irão apoiar as atividades de gestão industrial.

Expressões utilizadas em diversas literaturas como Internet Física, Internet Industrial, Computação Ubíqua, Ambiente Inteligente, Comunicação Máquina-a-Máquina (M2M), Coisas Inteligentes, entre outras, são conceitos que representam a mesma ideia aqui expressa como Internet das Coisas.

Internet das Coisas pode ser definida como uma rede conceitual de informação dinâmica de alcance global. Sua estrutura apresenta configurações de capacidades autônomas baseadas em protocolos de comunicação padronizados, onde as entidades virtuais e físicas utilizam interfaces inteligentes e estão perfeitamente integradas. Além disso, sua contribuição está no aumento do valor das informações geradas pelas entidades afiliadas, bem como na transformação das informações processadas, como por exemplo, conhecimento em benefício da fabricação de um produto [14].

2.2. Computação em Nuvem

A Internet das Coisas inevitavelmente terá que lidar com todas essas questões já apresentadas e há uma suposição na comunidade científica de que ela pode usar os recursos da computação em nuvem para gerenciar, armazenar e processar uma plataforma de processamento virtual.

A computação em nuvem é um dos blocos construtivos nas fundações da internet do futuro, que permite o gerenciamento de todos os sistemas de maneira dinâmica, rápida e abrangente, nos mais variados volumes e proporções. Esta interação revela uma mudança de paradigma na integração do uso e aplicação de diferentes sistemas. A nova geração de aplicações na área industrial pode ser gerada rapidamente através da seleção e combinação de novos serviços e capacidades para a realização de seus objetivos e tarefas, que são oferecidos na computação em nuvem. As aplicaçlões estão sendo dinamicamente permitidas e acessíveis a outros subsistemas de gestão industrial [15]. A Figura 2 ilustra um sistema de automação em nuvem (cloud computing).

4

Fig. 2. Ilustração de sistema de automação em nuvem (cloud computing).

2.3 Soluções Existentes

Na última década, um grande volume de pesquisas tem sido realizadas envolvendo o contexto da Indústria 4.0 [16]. A fabricação inteligente tem atraído enorme interesse do governo, empresas e pesquisadores acadêmicos. Portanto, os padrões de implementação da fábrica inteligente são amplamente discutidos. No entanto, os padrões para implementação de fábrica inteligente não foram estabelecidos ainda. Em resposta a esta necessidade específica, várias técnicas têm sido propostas na literatura.

Benkamoun et al. [17] propuseram um diagrama de classes que pode ser usado para representar o sistema de manufatura a partir de diferentes perspectivas de entidades e funções.

Radziwon et al. [18] expuseram pesquisas sobre o conceito de fábrica inteligente, e apontaram que a fábrica inteligente é na verdade um caso de manufatura adaptável e flexível.

Lin et al. [19] propuseram uma arquitetura para sistemas de manufatura em computação em nuvem orientados para indústria aeroespacial, que facilita a configuração ideal dos recursos de manufatura. Os autores forneceram uma arquitetura de orientação para a fábrica inteligente. Em resumo, a fábrica inteligente é baseada na fábrica digital e automatizada, usando a tecnologia da informação como computação em nuvem, big data e IoT, para melhorar a gestão dos recursos de fabricação.

Para construir a fábrica inteligente, as empresas de manufatura devem melhorar a produção, o controle do processo, a produção e reduzir a intervenção manual na fábrica [20], [21].

Shivani Goel et al [22] deram uma visão geral sobre a natureza do impacto da computação em nuvem nas implementações de ERP e discutem várias questões relacionadas.

5

Marinela Mircea et al [23] descobriram alternativas para usar as tecnologias da informação para melhorar a agilidade nas indústrias de manufatura e obter economias. O documento forneceu estratégias para o uso de soluções em nuvem, aprimorando o conhecimento nesse campo e fornecendo um guia prático adaptável às estruturas das empresas. Eles também forneceram uma abordagem para usar uma combinação das tecnologias SOA, BPM e computação em nuvem.

Liladhar et al. [24] analisaram a implementação da computação em nuvem na aplicação web. Eles também discutiram as vantagens e os problemas relacionados à computação em nuvem de aplicativos referente a gestão industrial.

Ashish Rastogi [25] propôs uma estrutura baseada em modelos para implementar a computação em nuvem na governança eletrônica. Também discutiu os vários problemas que foram identificados na implementação das várias fases da governança eletrônica nos países em desenvolvimento. De acordo com [25], a computação em nuvem possui aplicativos abrangentes no E-Governança, já que alguns dos requisitos de volume e dados de aplicativos governamentais são semelhantes aos industriais e usam computação em nuvem para atingir e atender a alguns requisitos regulamentares.

Finalmente cabe destacar o que provavelmente é o trabalho mais importante e o que mais avançou o estado-da-arte até o momento, segundo o nosso ponto de vista. Em [26] os autores relatam o desenvolvimento de uma categorização das diferentes tecnologias da Indústria 4.0, com base em como essas tecnologias são implementadas em ambientes industriais, bem como determinam onde há necessidade de aplicação de cada um dos novos conceitos tecnológicos. Cinco indústrias foram estudadas em particular: aeroespacial, equipamentos pesados, eletrônica, automação e indústria de veículos automotores. Nesse estudo, em cada setor foram identificadas as possibilidades de aplicação de tecnologias da Indústria 4.0, identificando padrões em sua disseminação e a conexão com a lógica de produção.

Estas técnicas desenvolvidas nos últimos anos [3, 4, 6, 7, 8, 9, 11, 13, 15, 17, 21, 22, 24] representam um considerável avanço no estado-da-arte, porém deve-se notar que:

(a) Elas não são triviais em termos de complexidade computacional, pois elas precisam analisar todas as interações entre os diversos modelos de bancos de dados (Big Data) a serem criados, que serão oferecidos na computação em nuvem;

(b) Grandes quantidades de dados serão geradas por fontes de dados, como sensores e outros equipamentos (IoT);

(c) Como resultado, quantidades massivas e não estruturadas de dados serão criadas. Para que uma empresa se beneficie do Big Data e da IoT, é necessária uma estratégia clara para entender quais dados coletar, como gerenciá-los, como são direcionados e como analisá-los.

(d) Para lidar com o desafio de quais dados coletar e como analisá-los, os dados podem ser gerenciados por meio do entendimento das características da gestão da produção da empresa, mais especificamente pelos atributos volume, rapidez e variedade.

2.4 Vantagens Propostas e Avanço do Estado-da- Arte

Dado o acima exposto, a metodologia a ser desenvolvida neste Projeto de Produtividade de Pesquisa CNPq deverá apresentar as seguintes características e vantagens quando comparada com as técnicas e processos atualmente disponíveis no mercado:

a) Como referenciado, as pesquisas anteriores sugerem que big data e IoT podem ser aplicados em processo de fabricação, para aumentar sua flexibilidade e eficiência. Para entender quais aplicativos são os mais adequados para as necessidades específicas de uma empresa de manufatura é essencial entender o que a empresa espera alcançar com a implementação de Big Data e IoT. Em outras palavras, é vital entender a estratégia da cadeia de suprimentos da empresa, bem como os seus produtos, seus requisitos e os processos de produção correspondentes. Neste cenário, a metodologia a ser desenvolvida está baseada apenas em um panorama abrangente do processo de fabricação e seu desempenho. Este último permite que se colete dados de máquinas, sensores ou outros dispositivos conectados à rede coorporativa. Esses dados podem então ser usados e

6

combinados com ferramentas de caráter analítico para monitorar certas informações. Isso permite uma oportunidade de identificar certos padrões, que ajudam a desenvolver uma compreensão de quais fatores específicos podem resultar em erros ou falhas na cadeia produtiva.

b) Geralmente, big data e IoT são mais ou menos aplicáveis, dependendo de onde no Ciclo de Vida do Produto (Product Life Cycle - PLC) está o produto. As áreas de uso potencial dos dois avanços tecnológicos variam de acordo com a colocação do produto no PLC. Compreendendo-se as características do produto, big data e IoT podem ser implementados onde possam ter maior impacto. Observa-se que a conexão entre o PLC e as diferentes aplicações de big data e IoT não serão desenvolvidas, apenas com base nos vários padrões para implementação de fábrica inteligente. Ao contrário das técnicas existentes, a metodologia a ser desenvolvida irá requerer um tipo de conhecimento abrangente, a integração digital leva a uma maior otimização. Considera-se que a empresa em estudo será integrada digitalmente nos próximos cinco anos. Essa integração será tanto interna quanto externa. A integração interna considera a integração dentro da empresa, como entre vários departamentos e funções. Em contraste, a integração externa considera aspectos como clientes e parceiros

c) Esta metodologia deverá ser genérica o suficiente para poder ser aplicada a qualquer tipo de indústria de manufatura, partindo-se do princípio de que o projetista seja capaz de coletar informações para otimizar o processo de produção e o controle em tempo real. O que controlar depende do produto, estratégia da cadeia de suprimentos e principais indicadores de desempenho da empresa. Exemplos de controle em tempo real são controles de qualidade, condições ambientais ou uso de recursos. Controlando continuamente a qualidade do produto através de controles em tempo real, ajustes em tempo real podem ser feitos. Esses ajustes permitem uma minimização de defeitos e desperdícios. Mais especificamente, a empresa pode melhorar seu gerenciamento de qualidade, adquirindo esse conhecimento mais profundo sobre onde estão os problemas reais em seu atual processo de produção. Na configuração de hoje da empresa em estudo, leva-se tempo injustificado para localizar problemas e seus motivos subjacentes. O que a IoT e Big data contribuirão para encontrar e identificar problemas de uma forma muito mais rápida.

3. Desenvolvimento do Projeto, Principais Etapas

O objetivo principal deste projeto é desenvolver uma nova metodologia para investigar a adoção das tecnologias de Big Data e Internet das Coisas (IoT) relacionadas com a Indústria 4.0, em uma indústria brasileira de Autopeças, instalada na cidade de Guarulhos, São Paulo, Brasil.

Usando um estudo qualitativo de casos, composto por empresas dos setores aeroespacial, equipamentos pesados, automação, eletrônicos e de veículos automotores, obteve-se informações sobre como essas empresas estão implementando essas novas tecnologias de Big Data e IoT.

A fim de identificar os fatores que determinam como as tecnologias da Indústria 4.0 são implementadas e quais temas comuns podem ser encontrados, introduziu-se o conceito de lógica de produção, que será desenvolvido sobre a conexão entre as prioridades competitivas como qualidade, flexibilidade, tempo de entrega, eficiência de custos e ergonomia. Para tanto, assume-se as seguintes premissas:

(a) A metodologia a ser desenvolvida neste projeto categoriza as tecnologias dentro do conceito de Industria 4.0 em duas partes: interface homem-máquina (IHM) e Conectividade. A Interface Homem Máquina - IHM inclui dispositivos embarcados para auxiliar operadores em atividades de manufatura, com telas sensíveis ao toque, realidade virtual, ferramentas wireless, etc. A conectividade inclui sistemas para conectar dispositivos RFID (sensores) para coletar os dados da fábrica. Internet das

7

Coisas – IoT, Big data e análise de dados, computação em nuvem, interfaces M2M, etc. A Figura 3 ilustra as tecnologias IHM e Conectividade.

Fig. 3. Visão geral das tecnologias IHM e Conectividade.

(b) Dependendo da lógica de produção da empresa de Autopeças a ser estudada, a adoção de elementos tecnológicos é diferente. Se a flexibilidade for dominante tende-se a implementar a tecnologia IHM em um grau maior. No outro extremo, se a empresa for com poucas variações de produto, onde a qualidade e a eficiência dominam a lógica de produção, tende-se a implementar a tecnologia Conectividade, a fim de monitorar e melhorar a qualidade de sua manufatura independentemente da lógica de produção.

(c) Nesta possível implementação da técnica proposta é tanto uma metodologia empírica quanto uma metodologia da literatura de gestão da inovação. A metodologia empírica é a tentativa de agrupar diferentes tecnologias da Indústria 4.0 e identificar como as tecnologias da Indústria 4.0 podem ser adotadas na empresa de Autopeças. A metodologia empírica está focada principalmente em delinear como as empresas líderes em manufatura adotam as tecnologias da Indústria 4.0 e como suas escolhas estão conectadas à lógica de produção. Quanto à metodologia da literatura, enfoca o estudo da Indústria 4.0 à luz do estado da arte de diferentes teorias das áreas de transições tecnológicas e de gestão da inovação.

3.1. Proposta de Implementação do Projeto

O projeto será implementado segundo as etapas apresentadas a seguir:

(1) Revisão da literatura: a primeira parte da revisão da literatura está focada na teoria necessária para entender as mudanças tecnológicas e a difusão da inovação, ou seja, porque a quarta revolução industrial está surgindo. A teoria fornece compreensão tanto das transições tecnológicas em nível macro quanto da inovação organizacional. A teoria é baseada principalmente em autores que fizeram uma contribuição do estado da arte, para a área de pesquisa em Industria 4.0, mas também se inclui algumas críticas para enfatizar algumas questões. A fim de fornecer uma visão abrangente e conceituar a Indústria 4.0, escolheu-se três fluxos de literatura: artigos científicos, relatórios de consultoria (que incluem relatórios industriais provenientes de bases de consultoria) e outra literatura, que envolve relatórios do governo.

(2) Coleta de dados: dando sequência a revisão da literatura será realizada uma coleta de dados em campo, principalmente em empresas multinacionais com portfólio diversificado de produtos. Para focar a pesquisa, optou-se por estudar apenas alguns setores específicos dentro de uma divisão específica. Esta fase da pesquisa deve concentrar-se em cinco indústrias: automação, equipamentos pesados, aeroespacial, eletrônica e indústria de veículos automotores. Ao fazer isso, os exemplos de casos podem ser considerados representativos. Os estudos de casos são em nível industrial, onde usa-se empresas como

8

exemplos. Serão realizadas entrevistas semi-estruturadas com as gerências, operadores do chão de fábrica, gestores de produção, projetistas e o pessoal de Tecnologia da Informação (T.I). As entrevistas serão divididas em diversas partes, onde uma rodada será usada para perguntas de acompanhamento sobre, por exemplo, projetos específicos relacionados a Industria 4.0.

(3) Acompanhamento das entrevistas: por volta de três meses após o início da coleta de dados (sessão de entrevistas), serão enviados relatórios para alguns dos entrevistados, que consistirão em perguntas de acompanhamento. As questões serão baseadas principalmente nas entrevistas prévias e na revisão da literatura (estado da arte). O objetivo será nos ajudar a investigar quais tecnologias estão surgindo nas diferentes áreas e explicar por que e como implementá-las.

(4) Modelagem e validação do projeto: por meio da triangulação de dados, ou seja, a partir das diferentes fontes de informação e da lógica de produção da empresa de Autopeças estudada, dá-se início a modelagem do sistema proposto, utilizando-se as tecnologias interface homem-máquina (IHM) e/ou Conectividade (conforme indicado no item 3.a). A validade do modelo é garantida pela revisão contínua dos vínculos entre problematização, finalidade, metodologia e questões de pesquisa. Isso inclui mudar a literatura que é considerada relevante para esta parte da pesquisa, pois a luz de novos achados empíricos pode tornar algumas teorias irrelevantes. A parte mais difícil com uma abordagem qualitativa é garantir confiabilidade, pois é altamente dependente de como entende-se a realidade.

(5) Especificação de hardware e software: há um cenário de TI necessário para a implementação das tecnologias de big data e IoT, para funcionar de maneira adequada. Muitos desses componentes existiam antes que os conceitos das duas tecnologias fossem desenvolvidos. Devido aos preços mais baixos do hardware, maior poder de processamento, capacidade de rede e novas formas de armazenamento, tanto o Big Data quanto IoT são mais acessíveis (IHM, sensores RFID, computação em nuvem, interfaces M2M, banco de dados, etc.). Esta fase do projeto fornece uma especificação de requisitos de hardware, software e competências, que são essenciais para o sucesso da utilização das duas tecnologias.

(6) Especificação da rede IoT: para que os componentes de hardware coletem dados de maneira eficiente, é necessária uma rede de dados confiável. Primeiro, ao operar dados em um local de produção (chão de fábrica), a rede de dados deve ser adaptada à existência de grandes quantidades de interferência eletromagnética. Segundo, como existem grandes fluxos de dados entre os componentes de hardware, máquinas e sistemas de TI via IoT, a rede exige alta largura de banda. Isso significa que a rede deve ser composta de software, hardware, fluxos de dados e dispositivos a serem especificados.

(7) Especificação do Big Data: um requisito para big data e IoT em um site de produção é como os dados são gerenciados. Para dar conta dos desafios descritos anteriormente, os dados devem ser armazenados e analisados de maneira eficiente. Os dados podem ser armazenados em uma nuvem ou em um servidor. Devido ao recente desenvolvimento de tecnologia, o custo de armazenamento de dados através de um serviço de nuvem continua a cair. Uma nuvem é baseada em conexões IP (Internet Protocol), que permitem armazenamento de dados em larga escala. Esse componente de software tem natureza de autoatendimento, em que os usuários podem acessar os dados ou informações sem usar a assistência de TI. Como resultado, o compartilhamento de informações e a flexibilidade do sistema aumentam. Além disso, a nuvem tem uma alta flexibilidade. Dependendo da quantidade de armazenamento de dados em um momento específico, os usuários podem aumentar ou diminuir a capacidade de otimizar continuamente a capacidade de armazenamento

(8) Implementação da solução proposta e testes: nesta etapa do projeto, será montada uma Minicélula de manufatura (protótipo) para implementação em hardware e software do modelo elaborado na fase (4). Claramente, há uma série de fatores importantes a considerar para permitir um sucesso na adoção das tecnologias big data e IoT. Além disso, há problemas comuns que podem resultar em taxas de falhas significativas considerando a implementação de projetos de TI. Assim, esses aspectos devem ser mantidos em mente para utilizar com sucesso as tecnologias de big data e IoT na empresa de Autopeças em estudo neste projeto. Esta fase fornece a implementação e testes do projeto proposto, bem como os fatores críticos que existem para implementação de big data e IoT numa empresa de manufatura.

(9) Validação dos testes: esta etapa final da pesquisa tem o objetivo de validar todo o projeto e garantir que a fábrica conectada as novas tecnologias de Big Data e IoT tenha a capacidade de se adaptar mais rapidamente às mudanças do mercado e criar um processo de manufatura mais flexível, já que as máquinas e ferramentas poderão ser configuradas automaticamente, para um tipo de produto escolhido. Além disso, o benefício de uma prototipagem virtual de um novo produto, através da tecnologia de

9

realidade virtual aumentada, poderá ser testado em estações de trabalho virtuais e render um tempo de desenvolvimento mais curto, por exemplo.

(10) Formação de recursos humanos: permitirá a formação de recursos humanos nesta área específica e publicações de artigos científicos em congressos e periódicos nacionais e internacionais.

4. Cronograma de Desenvolvimento

As etapas do projeto vistas na seção anterior são detalhadas na Figura 4, onde pode ser visto o cronograma de desenvolvimento do projeto.

Fig. 4. Cronograma de desenvolvimento do projeto.

Com o intuito de monitorar a plena execução do projeto ao longo do período de 36 meses, três relatórios parciais devem ser redigidos. Um relatório deve ser preparado ao final de cada ano do projeto, a saber:

Relatório I (trimestres 1 a 4): Este relatório deve descrever a execução das Etapas 1, 2 e 3, que devem estar concluídas, e a Etapa 4, que deve estar em andamento inicial.

Relatório II (trimestres 5 a 8): Este relatório deve descrever a execução das Etapas 4, 5, 6 e 7, que devem estar concluídas, e a Etapa 8, que dev estar em andamento.

Relatório III (trimestres 9 a 12): Este relatório deve descrever a execução das Etapas 8, 9 e 10, que devem estar concluídas.

No final do período de 36 meses, um Relatório Final deve ser redigido. Este relatório deve fazer referência aos 10 itens e resultados atingidos ao longo do projeto.

5. Quadro de Pessoal: coordenador e bolsistas do projeto

Os executores, colaboradores e centros de pesquisa associados, que participam do projeto estão detalhados a seguir. Estão previstos três Bolsistas de Mestrado e três Bolsistas de Iniciação Científica (IC), para a plena execução das dez etapas mencionadas no item 3.1. Estes alunos deverão atuar

10

diretamente sob a orientação do Prof. Dr. Cesar da Costa, o qual além de coordenador do projeto, participa da execução de todas as suas etapas.

A lista dos pesquisadores e alunos do Grupo de Análise Dinâmica de Maquinas Elétricas e Eficiência Energética - IFSP (http://dgp.cnpq.br/dgp/espelhogrupo/0401285183306322) envolvidos direta ou indiretamente neste projeto é a seguinte:

1) Pesquisadores:1. Prof. Dr. Cesar da Costa (Coordenador)2. Prof. Dr. Paulo Sergio Dainez3. Prof. Ênio Carlos Segatto

2) Mestrandos:1. Cleiton Mendes (Mestrado em Automação e Controle – IFSP)2. Ronaldo Siqueira da Gama (Mestrado em Automação e Controle – IFSP)3. Guilherme Kenji Yamamoto (Mestrado em Automação e Controle – IFSP)

3) Bolsistas de Iniciação Científica:1. Raphael Osaki (Bolsista Projeto PIBIC-CNPq);2. Rafael Vastag (Bolsista Projeto PIBIC-CNPq);3. Iago Modesto Brandão (Bolsista Projeto PIBIC-CNPq).

Cabe salientar que o Prof. Dr. Cesar da Costa é o Orientador Principal de todos os alunos acima, exceto para o aluno Cleiton Mendes para o qual ele é o Co Orientador.

6. Resultados Esperados

Os seguintes resultados são esperados ao final dos 36 meses de execução do trabalho proposto:

(a) Formar mão-de-obra especializada: formar pelo menos 3 bolsistas de IC e 3 de mestrado para atuar nas áreas relacionadas ao projeto e auxiliar no desenvolvimento de sistemas baseados em Industria 4.0 confiáveis, baseados nas tecnologias Big Data e IoT. Alunos com este perfil de conhecimento tem sido fortemente requisitados por empresas do setor de Manufatura brasileiro. Assim ao final deste projeto, espera-se ter criado ações voltadas para o desenvolvimento de processos inovadores e a disseminação de conhecimento do Grupo de trabalho para o setor produtivo das empresas, cuja relevância possa contribuir para a inclusão profissional e social destes alunos.

(b) Publicação de artigos: publicar 9 artigos científicos em conferências patrocinadas pelo IEEE Computer Society (3 a cada ano do projeto). Publicar 3 artigos científicos em periódicos internacionais de reconhecida competência (1 a cada ano do projeto). Como exemplos de tais periódicos, podem-se citar aqueles patrocinados pelo”. IEEE Industrial Electronics Magazine” e “IEEE Computer Society”, "Journal of Electronic Testing: Theory and Applications - JETTA" publicado pela Springer e " Procedia Computer Science, ", publicado pela Elsevier.

(c) Desenvolvimento de novas metodologias: desenvolver uma metodologia baseada em Interface Homem Máquina – IHM e Conectividade (hardware e software), para garantir a plena execução de tarefas com criticidade mista, através da exploração de recursos da Industria 4.0. Com este objetivo em mente, a metodologia a ser proposta visa permitir que qualquer empresa de Manufatura possa implementá-la.

(d) Desenvolvimento de ferramentas de software: desenvolver ferramentas de software para virtualização de realidade aumentada, por exemplo, por meio de software será possível visualizar o processo produtivo de linhas de manufatura e processos industriais virtuais, permitindo ao usuário

11

tomar decisões em seus projetos de produtos e minimizar o tempo de desenvolvimento. (e) Relacionamento interinstitucional: Desenvolver e solidificar as relações de trabalho entre o

Grupo do IFSP e os demais parceiros colaboradores do projeto, a saber:Instituições nacionais: (1) UNESP – Universidade Estadual de São Paulo Júlio de Mesquita Filho- Faculdade de Engenharia de Guaratinguetá; Instituições internacionais: (1) INESC-ID/IST (Lisboa, Portugal).

A concretização deste relacionamento se dará através de visitas técnicas a serem realizadas por pesquisadores entre as diversas instituições participantes, assim como através do intercâmbio de estudantes para a realização de estágio entre os diversos laboratórios, onde o projeto se desenvolverá. Este relacionamento interinstitucional se dará principalmente através de publicações conjuntas em conferências e periódicos ao longo dos 36 meses do projeto.

REFERÊNCIAS

[1] Accenture. “Digital Industry 4.0 - Industrial Internet of Things”. Disponível em: https://www.accenture.com/us-en/insight-digital-industry-impact. Acesso em 07/11/2017.

[2] Rüssmann Michael, Lorenz Markus, Gerbert Philipp, Waldner Manuela, Justus Jan, Engel Pascal, and Harnisch Michael. “Industry 4.0. The future of productivity and growth in manufacturing industries”. The Boston Consulting Group, In. 2015.

[3] Delsing Jerker. “Local cloud internet of things automation- Technology and business model features of distributed internet of things automation solutions”. IEEE Industrial Electronics Magazine, Vol. 11, N.o 4, p. 8- 21, 2017.

[4] Davenport, Thomas H. “How strategist use big data to support internal business decisions, discovery and production”. Strategy & Leadership, 42[4], pp. 45-50, 2014.

[5] Chase, Jim. “The evolution of the internet of things”. Texas Instruments, 2013..

[6] Aberle, Laura. “Manufacturer´s guide: IoT, sensors, & predictive analytics”. Tech Target, 2015.

[7] Moutaz Haddara and Ahmed Elragal, "The Readiness of ERP Systems for the Factory of the Future," Procedia Computer Science, vol. 64, pp. 721- 728, 2015.

[8] Ubaidullah Mohammad, Cheng Yee Low, Jingye Yee, and Ramhuzaini Bin Abd Rahman, "Specification of principle solution for a smart factory exemplified by active structure," in 2017 IEEE 3rd International Symposium in Robotics and Manufacturing Automation (ROMA), 2017, pp. 1-6.

[9] Syed Imran Shafiq, Cesar Sanin, Edward Szczerbicki, and Carlos Toro, "Virtual Engineering Object / Virtual Engineering Process: A specialized form of Cyber Physical System for Industry 4.0," Procedia Computer Science, vol. 60, pp. 1146-1155, 2015.

[10] Jiafu Wan, Shenglong Tang, Hehua Yan, Di Li, Shiyong Wang, and Athanasios V. Vasilakos, "Cloud robotics: Current status and open issues," IEEE Access, vol. 4, pp. 2797-2807, 2016.

[11] Baotong Chen, Jiafu Wan, Lei Shu, Peng Li, Mithun Mukherjee, and Boxing Yin, "Smart Factory of Industry 4.0: Key Technologies, Application Case, and Challenges," IEEE Access, vol. PP, pp. 1-1, 2017.

12

[12] IBM. “Infographics & Animations: The Four V’s of Big Data”. Disponível em: http://www.ibmbigdatahub.com/infographic/four-vs-big-data. Acesso em 10/06/2017.

[13] McAfee, Andrew, Brynjolfsson, Erik. “Big Data: The Management Revolution”. HarvardBusiness Review, 2012.

[14] Vermesan Ovidiu, Friess Peter. “Internet of Things: converging technologies for smart environments and integrated ecosystems”, River Publishers Series in Communications, 2013.

[15] Colombo W. Armando; Karnouskos Stamatis; Bangermann, Thomas. “A System of Systems view on Collaborative Industrial Automation”, 2013 IEEE International Conference on Industrial Technology (ICIT) , p. 1968-1975, 2013.

[16] Jiafu Wan, Minglun Yi, Di Li, Chunhua Zhang, Shiyong Wang, and Keliang Zhou, ‘‘Mobile services for customization manufacturing systems: An example of industry 4.0,’’IEEE Access , vol. 4, pp. 8977–8986, 2016.

[17] Benkamoun Nadege, ElMaraghy Waguih, Huyet Anne-Lise, and Kouiss Khalid, ‘‘Architecture framework for manufacturing system design’’. Procedia CIRP, vol. 17, pp. 88–93, 2014.

[18] Radziwon Agnieszka, Bilberg Arne, Bogers Marcel, and Madsen Erik Skov, ‘‘The smart factory: Exploring adaptive and flexible manufacturing solutions’’. Procedia Eng., vol. 69, pp. 1184–1190, Jan. 2014.

[19] Lin J. et al., ‘‘Application technology of cloud manufacturing for aerospace complex products,’’ Journal Computing. Integrated. Manufacturing. System., vol. 22, no. 4, pp. 883–896, 2016.

[20] Wan J., Tang S., Yan H., Li D., Wang S, and Vasilakos A. V. ‘‘Cloud robotics: Current status and open issues’’. IEEE Access, vol. 4, pp. 2797–2807, 2016.

[21] Lyu Y. and Zhang J. ‘‘Big-data-based technical framework of smart factory’’. Journal Computer Integrated Manufacturing System., vol. 22, no. 11, pp. 2691–2697, 2016.

[22] Shivani Goel, Ravi Kiran, Deepak Garg. “Vulnerability Management for an Enterprise Resource Planning System”, International Journal of Advanced Computer Science Applications”, Vol.2, No. 6, 2011.

[23] Marinela Mircea. “SOA, BPM and cloud computing: connected for innovation in higher education”. 2010 International Conference on Education and Management Technology, pp 456-460, 2010.

[24] Liladhar Rewatkar, Ujwal Lanjewar, “Implementation of Cloud Computing on web Application”, International Journal of Computer Applications, Vol. 8, No 8, 2010.

[25] Ashish Rastogi. “A Model based Approach to Implement Cloud Computing in E-Governance”, International Journal of Computer Applications, Vol. 9, No.7, 2010.

[26] Nilsen Samuel, Nyberg Eric. “The adoption of Industry 4.0-technologies in manufacturing – a multiple case study”. Master of Science Thesis INDEK 2016:106, KTH Industrial Engineering and Management, Sweden, 2016.

13

14