As tecnologias necessárias para superar muitas barreiras de longa data à automação do piso das lojas - e as habilidades necessárias para usá -las em combinação - estão finalmente disponíveis.
Fabricação está à beira de uma revolução da automação. Ao combinar habilmente tecnologias inovadoras-como aprendizado de máquina, sistemas de visão e conectividade de alta velocidade-os fabricantes podem superar muitas barreiras de longa data para realizar a visão de uma fábrica altamente automatizada. Os robôs podem executar tarefas repetitivas e previsíveis, mas têm problemas para realizar as mais complexas - como lidar com cabos ou colaborar com segurança com os seres humanos na velocidade máxima. Essas limitações resultam em uma lacuna entre os níveis atuais de produtividade dos fabricantes e aqueles que recentemente se tornaram tecnicamente e financeiramente viáveis. (Ver Anexo 1.) Um estudo recente do BCG constatou que o fechamento dessa “lacuna de automação” pode produzir melhorias de trabalho e qualidade que reduzem os custos de conversão em até 25%. Os fabricantes também devem alterar seus produtos, organização e configurar para permitir níveis mais altos de automação. Uma abordagem abrangente começa com a identificação e priorização de aplicativos de alto valor e a definição de soluções técnicas detalhadas e casos de negócios. Os fabricantes podem então derivar uma imagem alvo da automação avançada que emprega tecnologias inovadoras para melhorar a qualidade ou maximizar a economia nos custos de conversão. Uma abordagem ágil e multifuncional é essencial para a implementação de iniciativas entre os sistemas. Os PLCs são muito úteis para automatizar processos repetitivos que não envolvem muita variação. No entanto, em sua configuração padrão, eles não são bons em se ajustar a eventos imprevistos ou se adaptar automaticamente a variações. Os programadores tentam modelar todas as situações que uma máquina, como um robô, poderia encontrar e definir um conjunto de regras para abordá -las. Mas, embora essas regras possam funcionar bem em ambientes estreitos ou claramente definidos, é impossível considerar cada situação do mundo real. Como resultado, se uma máquina encontrar uma situação que requer um desvio do comportamento planejado, ele entra no modo de falha e a produção para. Os programadores devem então adaptar as regras para acomodar a nova situação - ou esperar que ela não se repita. Muitos foram implantados inicialmente em aplicativos de consumidores e agora estão sendo adaptados ao uso industrial.
The conventional automation technology deployed in most factories has severe limitations. Robots can perform repetitive and predictable tasks, but they have trouble accomplishing more complex ones—such as handling cables or safely collaborating with humans at maximum speed. These limitations result in a gap between manufacturers’ current levels of productivity and those that have recently become technically and financially feasible. (See Exhibit 1.) A recent BCG study found that closing this “automation gap” can yield labor and quality improvements that reduce conversion costs by up to 25%.
Changes to mechatronic systems, such as robots, are only one part of the solution. Manufacturers must also change their products, organization, and IT setup to enable higher levels of automation. A comprehensive approach begins with identifying and prioritizing high-value applications and defining detailed technical solutions and business cases. Manufacturers can then derive a target picture of advanced automation that employs innovative technologies to improve quality or maximize savings on conversion costs. An agile, cross-functional approach is essential to implementing initiatives across systems.
Limitations of Conventional Technology
Since the late 1960s, factory automation has relied on programmable logic controllers (PLCs), which apply adjustable programs and measurable inputs to control machines. PLCs are very useful for automating repetitive processes that do not entail much variation. However, in their standard configuration, they are not good at adjusting to unforeseen events or adapting automatically to variations.
The reason for this is that conventional PLCs utilize static programming to enable a rule-based approach to automation. Programmers attempt to model all the situations that a machine, such as a robot, could encounter and then define a set of rules to address them. But while these rules can work well in narrow or clearly defined environments, accounting for every real-world situation is often impossible. As a result, if a machine encounters a situation that requires a deviation from the planned behavior, it enters failure mode and production stops. Programmers must then adapt the rules to accommodate the new situation—or hope that it does not recur.
Technological Advances Offer a Breakthrough
Six recent technological advances enable manufacturers to overcome the barriers to greater automation. Many were initially deployed in consumer applications and are now being tailored to industrial use.
Inteligência artificial e aprendizado de máquina. Inteligência Artificial (AI) Artificial intelligence (AI) e o aprendizado de máquina possibilita o uso de dados de sensores (como sistemas de visão) para programar os modelos computadorizados que controlam robôs. Avanços recentes, como aprendizado não supervisionado, oferecem o potencial de reduzir substancialmente a quantidade de dados de treinamento necessários para desenvolver modelos de alta qualidade, bem como o tempo e o esforço necessários para coletar os dados.
O fechamento da lacuna de automação pode produzir melhorias de mão -de -obra e qualidade que reduzem os custos de conversão em até 25%.
Simulação. Eles possibilitam simular milhões de diferentes condições ambientais, acelerando o desenvolvimento de soluções de IA e aprendizado de máquina e melhorando a precisão. Ele também fornece informações atualizadas e armazenadas centralmente-como dados relacionados às etapas operacionais anteriores-acessíveis de qualquer lugar do chão da loja. As ferramentas virtuais também são acessíveis através da nuvem, incluindo gêmeos digitais que contêm informações específicas sobre todos os produtos, como tolerâncias que o equipamento deve ajustar em cada etapa de produção. Além disso, a computação em nuvem permite quantidades maciças de cálculos flexíveis e escaláveis de alto desempenho. Os clusters de computação podem ser configurados em minutos com milhares de nós. O custo total desses cálculos é uma fração da despesa tradicional. New simulation environments utilize realistic physics engines (originally developed for video games and movies) to train the AI and machine learning models used for robotic movements. They make it possible to simulate millions of different environmental conditions, accelerating the development of AI and machine learning solutions and improving accuracy.
Cloud. The cloud provides a central training environment for AI and machine learning models and allows for quick scaling and deployment of control programs across all robotic stations where needed. It also provides centrally stored, up-to-date information—such as data relating to preceding operational steps—accessible from anywhere on the shop floor. Virtual tools are also accessible via the cloud, including digital twins that hold specific information about every product, such as tolerances that equipment must adjust for at each production step. Additionally, cloud computing enables massive amounts of flexible and scalable high-performance computations. Computation clusters can be set up within minutes with thousands of nodes. The total cost of these computations is a fraction of the traditional expense.
Edge. Esses sistemas também executam algoritmos (na forma de código -fonte) no piso da loja, reduzindo a latência e melhorando a confiabilidade. O gerenciamento desses sistemas através da nuvem facilita o uso e a implantação do código -fonte. Os recursos de borda permitem que os fabricantes retenham elementos de sua arquitetura de rede enquanto substitui a tecnologia desatualizada. Edge systems (on or near the shop floor) aggregate data, enable bidirectional data streaming between the shop floor and the cloud, and connect sensors. These systems also execute algorithms (in the form of source code) on the shop floor, reducing latency and improving reliability. Managing these systems via the cloud facilitates the use and deployment of source code. Edge capabilities allow manufacturers to retain elements of their network architecture while replacing outdated technology.
Sistema em um chip. Pode ser usado em dispositivos de borda, bem como em sensores e atuadores. Em combinação com a moderna tecnologia de virtualização, um sistema em um chip pode executar modelos de IA e aprendizado de máquina, interfaces gráficas do usuário e funcionalidade de borda. Isso permite uma grande mudança de PLCs virtuais e definidos por software. Um sistema em um chip também permite a integração de PLCs e a interface humana-máquina, acelerando assim a transmissão de dados eficientes, reduzindo o capex e melhorando o desempenho. com segurança no chão da fábrica. É necessário redes de rede sensível ao tempo para garantir que os robôs tenham os dados corretos assim que precisam. (Veja Anexo 2.) Aqui está uma visão geral das possibilidades. Variações na curvatura do vidro que ocorrem durante a produção de pára -brisa térmica ou rugas de couro causadas durante a montagem de assentos de carro. Embora a automação tradicional possa, em alguns casos, coletar informações sobre variações geométricas, ela não é capaz de reagir ou ajustar adequadamente todas as variações possíveis. Consequentemente, o equipamento geralmente não pode agarrar, segurar, mover ou conectar objetos físicos no chão da loja. A system on a chip—a microchip that integrates all the electronic circuits and parts required for a given system—provides high performance, superior power management, and integrated security. It can be used in edge devices as well as in sensors and actuators. In combination with modern virtualization technology, a system on a chip can execute AI and machine learning models, graphical user interfaces, and edge functionality. This enables a major shift from hardware-based to virtual, software-defined PLCs. A system on a chip also allows for the integration of PLCs and the human–machine interface, thereby accelerating efficient data transmission, reducing capex, and improving performance.
5G and WiFi 6. Advanced networking technologies, such as 5G and WiFi 6, can connect a variety of time-sensitive devices—such as sensors—reliably and securely on the shop floor. Time-sensitive networking is required to ensure that robots have the correct data as soon as they need it.
Overcoming the Barriers
Manufacturers can use robots, sensors, and other advanced equipment powered by the smart combination of these technologies to address the barriers to automation, which we have organized into five groups. (See Exhibit 2.) Here is an overview of the possibilities.
Handling of Geometric Variances. Automated equipment must be highly adaptable to unpredictable variations in the geometry of components—such as variations in the curvature of glass that occur during thermal windshield production or leather wrinkles caused during the assembly of car seats. Although traditional automation can, in some cases, collect information about geometric variances, it isn’t able to react to or properly adjust to all possible variations. Consequently, equipment often cannot grab, hold, move, or attach physical objects on the shop floor.
A automação avançada de hoje pode fornecer a flexibilidade necessária. Um robô tátil - equipado com um sistema de visão e executando modelos de aprendizado de máquina em seu computador interno - pode se ensinar a lidar com as variações geométricas que encontra. O robô está conectado aos sistemas de borda circundantes por uma rede 5G. Ao ativar a execução sensível ao tempo e de baixa latência, a rede permite que o robô opere com segurança no ambiente do piso da loja. Imagine um cabo balançando no ar: um humano pode aplicar sua experiência no mundo real para entender esse objeto. Uma máquina, por outro lado, teria que inspecionar o cabo e o espaço circundante e depois prever o movimento do cabo antes que ele pudesse agarrá-lo-o que é quase impossível com a programação convencional baseada em regras. Sistemas de visão recém-desenvolvidos e modelos de aprendizado de máquina, conectados aos robôs ativados pela execução de computador em tempo real e redes de alta velocidade, possibilitam executar essas tarefas.
Handling of Flexible Components. Unpredictable component deformations, changes in orientation, or structural instability increase the complexity involved in handling flexible objects, such as elastic tubes or electric cables. Imagine a cable swinging in the air: a human can apply his or her real-world experience in order to grasp such an object. A machine, in contrast, would have to inspect both the cable and the surrounding space and then predict the cable’s movement before it could grab and handle it—which is almost impossible with conventional rule-based programming. Newly developed vision systems and machine learning models, connected to robots enabled by real-time computer execution and high-speed networks, make it possible to perform such tasks.
Manuseio da complexidade da variante do produto. Nas configurações convencionais, a introdução frequente de novas variantes exige a reprogramação e ajuste manual de dispositivos de automação. Nos ambientes de produtos em rápida mudança e nos lançamentos de novos produtos, isso resulta em interrupções significativas nos processos de produção. Uma solução potencial é o uso de ambientes de simulação para ensinar robôs inteligentes para lidar com as variantes do produto. No entanto, as condições do mundo real-como atrito, elasticidade e dinâmica-são extremamente difíceis de medir e modelar em simulações. Ele cria uma variedade de ambientes simulados com propriedades randomizadas e treina um modelo de aprendizado de máquina para trabalhar em todos eles. Ao imitar muitas condições diferentes no ambiente, a randomização torna o modelo mais resiliente e flexível. The increasing number of product variances (such as in different car models) and tools used in assembly (such as for different-sized screws) requires highly flexible manufacturing equipment. In conventional setups, the frequent introduction of new variants necessitates the manual reprogramming and adjustment of automation devices. In fast-changing product environments and in new-product launches, this results in significant disruptions to production processes. A potential solution is the use of simulation environments to teach smart robots to cope with product variants. However, real-world conditions—such as friction, elasticity, and dynamics—are extremely difficult to measure and model in simulations.
A new technique called automatic domain randomization seeks to close the gap between real-world and simulated environments. It creates a variety of simulated environments with randomized properties and trains a machine learning model to work across all of them. By mimicking many different conditions in the environment, the randomization makes the model more resilient and flexible.
colaboração eficiente e segura entre robôs e humanos. Para interagir efetivamente a velocidades regulares com os trabalhadores no chão da loja, os chamados cobots devem detectar e identificar automaticamente as atividades dos trabalhadores, interpretar ações humanas e ser proativas. Isso requer conhecimento sobre o meio ambiente e as tarefas que os trabalhadores estão executando. Como os cobots não possuem a compreensão contextual necessária de seu ambiente, eles precisam operar em velocidades relativamente baixas-que limitaram sua aplicação e adoção. Collaborative robotics is a growing field within industrial robotics, but it faces fundamental challenges. To interact effectively at regular speeds with workers on the shop floor, so-called cobots must automatically detect and identify workers’ activities, interpret human actions, and be proactive. This requires knowledge about the environment and the tasks that workers are performing. Because cobots lack the necessary contextual understanding of their environment, they need to operate at relatively low speeds—which has limited their application and adoption.
For the first time, the required technologies—and the skills needed to implement them in combination—are available to overcome many long-standing barriers to automation.
Os sistemas de visão convencionais ajudam um pouco: os robôs podem operar em velocidades mais altas quando não detectam seres humanos ou objetos nas proximidades e depois desaceleram quando o fazem. Os dados industriais rotulados são usados para ensinar um algoritmo para reconhecer certos objetos e condições (ou sua ausência) em imagens e vídeos. Além dos seres humanos, isso inclui ferramentas ou condições perigosas das quais as pessoas devem se afastar. Um processo eficaz de coleta e seleção de dados é um pré -requisito para a rotulagem, e a precisão precisa ser verificada por garantia de qualidade robusta. Por exemplo, puxar um conduto protetor em cabos elétricos requer duas mãos, a conexão de cabos requer visão e um senso de força e a abertura de um barril requer conhecimento da sequência processual. A tecnologia convencional usa programação descritiva, com todas as etapas potenciais do processo e todas as ações possíveis codificadas. Mas, apesar dessa abrangência, o processo resultante geralmente não corresponde às condições do mundo real. Novamente, a randomização automática de domínio oferece uma solução. Usando parâmetros físicos randomizados para simular condições do mundo real, a técnica treina modelos para aprender sequências desafiadoras e construir a experiência necessária para resolvê-las.
Cobots gain the ability to interpret and make more nuanced adjustments to human movements, so they can safely maintain higher speeds even when people or other objects are nearby. Labeled industrial data is used to teach an algorithm to recognize certain objects and conditions (or their absence) in images and videos. In addition to humans, this includes tools or hazardous conditions from which people should keep away. An effective data collection and selection process is a prerequisite to labeling, and the accuracy needs to be verified by robust quality assurance.
Challenging Process Sequence. Assembly operations can be complex and require special skills. For example, pulling a protective conduit onto electrical cables requires two hands, connecting cables requires vision and a sense of force, and opening a barrel requires knowledge of the procedural sequence. Conventional technology uses descriptive programming, with every potential process step and every possible action hard coded. But despite this comprehensiveness, the resulting process often does not match real-world conditions. Again, automatic domain randomization offers a solution. Using randomized physical parameters to simulate real-world conditions, the technique trains models to learn challenging sequences and build the experience needed to address them.
Uma abordagem de quatro etapas para fechar a lacuna
In addition to selecting solutions for self-adapting mechatronic systems, companies need to make complementary changes to products and organizational systems and the IT setup. To enable greater use of automation, they need to change product designs and ensure a closer collaboration between engineering and manufacturing. They also need to revamp IT systems to ensure data exchange, deploy cloud and edge solutions, and power AI and machine learning models. Advanced automation lies at the intersection of these three systems. (See Exhibit 3.)
Para fechar a lacuna de automação, os fabricantes devem desenvolver e implementar uma imagem alvo da automação avançada que pratica a automação que abrange tudo. O processo implica quatro etapas:
- Identificar e priorizar aplicativos de alto valor. Em seguida, compila uma lista completa de processos em que a automação pode ser aplicada no curto prazo para evitar esses vazamentos e priorizar os aplicativos com base no valor em jogo. Identify value leakages on the shop floor, such as quality issues that result in scrap or frequent unplanned production stoppages caused by equipment failure. Then compile a full list of processes where automation could be applied in the near term to prevent those leakages, and prioritize the applications based on the value at stake.
- Desenvolva soluções e quantifique os casos de negócios. Avalie todas as alterações necessárias nos produtos (empregando o projeto para os princípios de automação), bem como as alterações de TI (como a nova infraestrutura) necessárias para permitir que as soluções selecionadas gerassem o valor esperado. Finalmente, considere o necessário Determine which technical solutions (that is, devices and systems employing the innovative technologies we have described) are needed to stop the value leakages relating to the prioritized applications. Assess all the required changes to products (employing design for automation principles), as well as the IT changes (such as new infrastructure) required to enable the selected solutions to generate the expected value. Finally, consider the necessary Mudanças organizacionais - como criação de capacidade e promoção de uma colaboração mais estreita entre engenharia e fabricação. Será possível estimar o CAPEX total e outros custos necessários para a implementação e quantificar o caso de negócios para investimento. Crie uma imagem alvo holística da automação avançada que mostre como os aplicativos funcionarão juntos no nível da empresa e serão dimensionados para toda a rede. Ele deve especificar os benefícios completos das soluções implementadas, bem como as sinergias que podem ser capturadas em toda a rede-como implantando os recursos necessários de TI em escala. Uma implementação eficaz segue uma abordagem ágil na qual as equipes usam sprints curtos para desenvolver rapidamente e testar produtos mínimos viáveis que são refinados com base em análises frequentes de desempenho. Para evitar as limitações de uma abordagem silenciosa, as equipes devem compreender pessoas de todas as funções - incluindo desenvolvimento de produtos, engenharia, fabricação, TI e outras funções auxiliares. O BCG quantificou o impacto potencial em um estudo recente de um fabricante de bombas que usa um alto nível de automação em comparação com seus pares da indústria. O processo de montagem do fabricante possui aproximadamente 250 etapas distintas, cada uma das quais pode encontrar algumas ou todas as cinco barreiras potenciais discutidas acima. Combinamos cada etapa do processo com a tecnologia mais recente disponível e avaliamos a viabilidade das mudanças nos produtos, na organização e nos sistemas de TI que permitiriam automação adicional. As mudanças combinadas nos permitiram criar uma imagem de destino de automação avançada. Isso permitiria reduzir os custos de conversão em 25% - o que é significativo, especialmente para as indústrias avançadas. Pela primeira vez, as tecnologias necessárias-e as habilidades necessárias para implementá-las em combinação-estão disponíveis para superar muitas barreiras de longa data à automação. As seis tecnologias inovadoras que descrevemos fornecem máquinas no chão da loja com recursos aprimorados, como auto-aprendizagem e processamento de dados. Combinando de maneira inteligente essas tecnologias, as empresas podem capacitar equipamentos para executar muitas tarefas complexas demais para a automação convencional ou não eram viáveis para automatizar. Os fabricantes que lideram a revolução da automação serão os primeiros a cumprir a promessa da fábrica altamente automatizada e capturar uma vantagem competitiva sustentável. Daniel Küpper
- Derive an advanced-automation target picture. Value is maximized by implementing the prioritized applications in combination rather than as individual use cases. Create a holistic target picture of advanced automation that shows how the applications will operate together at the company level and be scaled to the entire network. It should specify the full benefits of the implemented solutions as well as the synergies that can be captured across the network—such as by deploying the required IT capabilities at scale.
- Implement in agile, cross-functional teams. Develop an implementation roadmap by setting the sequence of initiatives across systems. An effective implementation follows an agile approach in which teams use short sprints to quickly develop and test minimum viable products that are refined based on frequent performance reviews. To avoid the limitations of a siloed approach, teams should comprise people from across functions—including product development, engineering, manufacturing, IT, and other auxiliary functions.
Quantifying the Impact
Closing the automation gap allows companies to improve costs (by reducing the need for manual work) and quality. BCG quantified the potential impact in a recent study of a pump manufacturer that uses a high level of automation compared with its industry peers. The manufacturer’s assembly process has approximately 250 distinct steps, each of which could encounter some or all of the five potential barriers discussed above. We matched each process step to the latest technology available and assessed the feasibility of changes to products, to the organization, and to IT systems that would enable additional automation. The combined changes allowed us to create an advanced-automation target picture.
Comparing the target and current states, we found that the company could raise its already high level of automation substantially. This would allow it to reduce conversion costs by 25%—which is significant, especially for advanced industries.
The automation revolution in manufacturing has finally arrived. For the first time, the required technologies—and the skills needed to implement them in combination—are available to overcome many long-standing barriers to automation. The six innovative technologies we have described provide machines on the shop floor with enhanced capabilities, such as self-learning and data processing. By smartly combining these technologies, companies can empower equipment to perform many tasks that were too complex for conventional automation or were not feasible to automate. Manufacturers that lead the automation revolution will be the first to realize the promise of the highly automated factory and capture a sustainable competitive advantage.
