universidade federal fluminense escola de engenharia departamento de … - joão... ·...
TRANSCRIPT
0
UNIVERSIDADE FEDERAL FLUMINENSE
ESCOLA DE ENGENHARIA
DEPARTAMENTO DE ENGENHARIA QUÍMICA E DE PETRÓLEO
JOÃO PAULO VERISSIMO STHEL
RAMON BISSOLI LOUREIRO
A ENGENHARIA QUÍMICA NO CONTEXTO DA INDÚSTRIA 4.0:
ESTUDO DE CASO EM UMA USINA DE ETANOL
Niterói
2018
1
JOÃO PAULO VERISSIMO STHEL
RAMON BISSOLI LOUREIRO
A ENGENHARIA QUÍMICA NO CONTEXTO DA INDÚSTRIA 4.0:
ESTUDO DE CASO EM UMA USINA DE ETANOL
Projeto Final apresentado ao Curso de Graduação em
Engenharia Química, oferecido pelo departamento de
Engenharia Química e de Petróleo da Escola de
Engenharia da Universidade Federal Fluminense, como
requisito parcial para obtenção do Grau de Engenheiro
Químico.
ORIENTADORES
Prof. Dra. Ana Carla da Silveira Lomba Sant’Ana Coutinho
Dr. Luís Eduardo Terra de Almeida
Niterói
2018
2
3
z
4
AGRADECIMENTO
Agradeço primeiramente a Deus, por sempre guiar meu caminho até aqui.
Aos meus pais, Fernando e Eliana, pelo amor, confiança e apoio durante todos esses
anos.
Aos meus irmãos, Fernanda e Victor, por todos os momentos de companheirismo,
alegria, carinho e por me presentearem com meus sobrinhos, Joaquim e Lucas.
Ao Ramon, meu irmão de vida, por todo apoio, carinho e companheirismo não só neste
trabalho, como em todos os momentos da minha jornada.
Aos meus orientadores, Prof. Dra. Ana Carla da Silveira Lomba Sant’Ana Coutinho e
Dr. Luís Eduardo Terra de Almeida, pelo voto de confiança depositado e apoio durante
o trabalho.
Aos meus amigos da UFF, por serem os melhores que poderia ter e tornarem esses
anos de faculdades maravilhosos.
Ao meus amigos do Ciências sem Fronteiras, meu muito obrigado por estarem sempre
presentes, independente da distância.
Aos meus amigos da firma, pelo aprendizado, amizade e todo carinho durante meu
período de estágio.
Aos meus amigos de Cachoeiro, do 404, e aos que me acompanharam em Niterói,
por serem minha segunda família desde que me lembro.
A banca por aceitar o convite.
5
AGRADECIMENTO
Agradeço primeiramente a Deus, por sempre guiar meu caminho.
Agradeço aos meus pais, Antonio e Ivanilda, por todo o apoio, carinho e incentivo
durante todos os anos da minha faculdade. Agradeço também ao meu irmão e minha
cunhada, Vinicius e Lina, por toda confiança e apoio ao longo desses anos.
Agradeço à minha dupla e irmão de vida, João, por toda a cumplicidade e apoio não
somente neste trabalho, como em todos os momentos da minha jornada.
Aos meus orientadores, Prof. Dra. Ana Carla da Silveira Lomba Sant’Ana Coutinho e
Dr. Luís Eduardo Terra de Almeida, pelo voto de confiança depositado e apoio durante
o trabalho.
Aos meus amigos da UFF, por serem os melhores que poderia ter e tornarem esses
anos de faculdades maravilhosos.
Aos meus amigos da GSK, pelo aprendizado, amizade e todo carinho durante meu
período de estágio.
Aos meus amigos de Linhares e Ciências sem Fronteiras, muito obrigado por estarem
sempre presentes, independente da distância.
A banca por aceitar o convite.
6
RESUMO
Atualmente, vivencia-se a quarta revolução industrial – intitulada Indústria 4.0,
caracterizada pela associação entre os avanços na comunicação e a tecnologia da
informação, que tem por objetivo a intensificação do grau de automatização e
digitalização das operações industriais. O presente trabalho tem como objetivo central
apresentar os aspectos e expor as tecnologias da Indústria 4.0, tais como Internet das
Coisas, Cyber Physical Systems (CPS), Realidade Aumentada, Manufatura Aditiva,
Big Data e Analytics, Robôs Automatizados, Simulação de sistemas, Computação em
Nuvem e Cibersegurança, além de evidenciar as consequências da digitalização na
Indústria Química e no estudante e profissional de Engenharia Química. Para ilustrar
a transformação digital de uma indústria, foi desenvolvido um estudo de caso em uma
usina de etanol fictícia, a Ethan LS, de modo a melhorar os processos através da
integração de toda a cadeia produtiva, desde o fornecimento de insumos para a
manufatura até a distribuição do produto final, evidenciando os ganhos e benefícios
operacionais da adoção do modelo 4.0.
Palavras-chaves: Indústria 4.0. Transformação Digital. Indústria Química. Engenharia Química. Usina de etanol.
7
ABSTRACT
Nowadays, the world is experiencing the fourth industrial revolution – known as
Industry 4.0, characterized by the association between advances in communication
and information technology, which aims to intensify the level of automation and
digitalization of industrial operations. The main objective of this paper is to present the
aspects and expose the technologies related to Industry 4.0, such as Internet of Things
(IoT), Cyber Physical Systems (CPS), Augmented Reality, Additive Manufacturing, Big
Data and Analytics, Autonomous Robots, Simulation, Cloud Computing and
Cybersecurity, besides highlighting the consequences of the digitalization in both
Chemical Industry and Chemical Engineering students and professionals. A case study
was developed in a fictitious ethanol plant, the Ethan LS, to illustrate how the digital
transformation of an industry could lead to process improvements through the
integration of the entire supply chain, since the inbound to outbound logistics,
emphasizing the operational gains of adopting the model 4.0.
Key words: Industry 4.0. Digital Transformation. Chemical Industry. Chemical Engineering. Ethanol plant.
8
Lista de Figuras
Figura 1.1 - Percentual de alunos por período que declaram conhecer o termo
Indústria 4.0. .............................................................................................................. 16
Figura 1.2 - Análise do comportamento das universidades no conceito de Indústria
4.0 ............................................................................................................................. 17
Figura 1.3 - Ações empregadas pela universidade para adequar os alunos à Indústria
4.0 ............................................................................................................................. 18
Figura 2.1 - Componentes de uma RSSF ............................................................... 27
Figura 2.2 - Cadeia de valor - Internet das Coisas ................................................... 28
Figura 2.3 - Arquitetura 5C ....................................................................................... 31
Figura 2.4 - Arquitetura 5C adaptada à Indústria 4.0 ................................................ 33
Figura 2.5 - CPPS e seus componentes .................................................................. 34
Figura 2.6 - Diagrama de um Sistema de óptica ...................................................... 36
Figura 2.7 - Diagrama de um Sistema de vídeo baseado em monitores .................. 36
Figura 2.8 - Esboço de um processo de estereolitografia ........................................ 37
Figura 2.9 - Materiais em estudo ou já empregados na MA ..................................... 38
Figura 2.10 - Estimativa anual do número de robôs vendidos por setor industrial ... 43
Figura 2.11 - Distribuição dos erros de design de simulações ................................. 46
Figura 2.12 - Layout 3-D de uma planta desenhada com auxílio do software CADWorx
.................................................................................................................................. 46
Figura 2.13 - Relação entre a computação em nuvem e a cloud manufacturing ...... 48
Figura 2.14 – Ganho de eficiência esperada na indústria química pelo uso das
tecnologias da Indústria 4.0....................................................................................... 54
Figura 4.1 - Projeção da produção de etanol até 2030 ............................................. 59
Figura 4.2 - Cadeia de suprimento do etanol............................................................ 60
Figura 4.3 - Configuração do CPS na Ethan LS ....................................................... 61
Figura 4.4 - Fluxograma de processo da produção de etanol .................................. 64
Figura 4.5 - Etiqueta RFID no rastreio da frota ......................................................... 68
Figura B1 – Programa de disciplina: Introdução à Indústria 4.0 ............................... 91
9
Lista de Tabelas
Tabela 2.1 - Descrição das técnicas de análise de Big Data .................................... 42
Tabela 2.2 - Descrição, aplicações e vantagens dos diferentes serviços da
computação em nuvem ............................................................................................. 47
Tabela 2.3 - Desafios da cibersegurança na Indústria 4.0 ........................................ 51
Tabela 2.4 – Transição da Indústria Química 3.0 para Indústria Química 4.0 .......... 52
Tabela 3.1 – Exemplos de softwares ........................................................................ 57
Tabela 4.1 - Redução de custos a partir da implementação das tecnologias ........... 69
Tabela 4.2 - Aumento na receita a partir da implementação das tecnologias ........... 70
Tabela 4.3 - Comparação entre o resultado planejado e o real ............................... 70
10
Lista de Abreviaturas, Siglas e Símbolos
ATSM American Society for Testing and Materials
BASF Badische Anilin & Soda Fabrik
BI Business Intelligence
CAE Computer-Aided Engineering
CAM Computer-Aided Manufacturing
CIMM Centro de Informação Metal Mecânica
CMM Coordinate Measuring Machine
CNI Confederação Nacional da Indústria
COP21 21ª Conferência das Partes
CPPS Cyber Physical Production System
CPS Cyber Physical Systems
CRM Customer Relationship Management
ERP Enterprise Resource Planning
ESSS Engineering Simulation and Scientific Software
FAPESP Fundação de Amparo à Pesquisa do Estado de São Paulo
FIRJAN Federação das Indústrias do Estado do Rio de Janeiro
GE General Eletric
GEE Gases do Efeito Estufa
GL Gay Lussac
GPS Global Positioning System (Sistema de Posicionamento Global)
HMD Head Mounted Display
IA Inteligência Artificial
IaaS Infrastructure as a Service (infraestrutura como serviço)
IBM International Business Machines
IDC International Data Corporation
IFR International Federation of Robotics
IIoT Industrial Internet of Things
INPI Instituto Nacional de Propriedade Intelectual
IoT Internet of Things
IP Internet Protocol
LMF Liga com memória de forma
11
MA Manufatura aditiva
MC Machine Learning
MES Manufacturing Execution Systems
MME Ministério de Minas e Energia
PaaS Platform as a Service (plataforma como serviço)
PDM Product Data Management
PLM Product Life Management
PMF Polímero com memória de forma
PWC PricewaterhouseCoopers
P&D Pesquisa e Desenvolvimento
RA Realidade Aumentada
RFID Radio-Frequency Identification (Identificação por Radiofrequência)
ROS Return on Sales (Retorno das vendas)
RSSF Redes de Sensores Sem Fio (Wireless Sensor Network” - WST)
SaaS Software as a Service (software como serviço)
SCM Supply Chain Management
SL Stereolithography (Estereolitografia)
TCP Transmission Control Protocol
TI Tecnologia da Informação
TIC Tecnologias da Informação e Comunicação
TO Tecnologia da Operação
USP Universidade de São Paulo
VOR Veículo de Operação Remota
WiFi Wireless Fidelity
WWW World Wide Web
12
SUMÁRIO
1. INTRODUÇÃO 14
1.1. Contexto 14
1.2. Justificativa 15
1.3. Objetivo 18
2. REFERENCIAL TEÓRICO 19
2.1. Aspectos da Indústria 4.0 19
2.1.1. Princípios básicos 19
2.1.1.1. Virtualização 19
2.1.1.2. Descentralização 20
2.1.1.3. Capacidade de operação em tempo real 20
2.1.1.4. Orientação a serviços 21
2.1.1.5. Sistemas modulares 21
2.1.1.6. Interoperabilidade 22
2.1.2. Principais características 22
2.1.2.1. Integração vertical dos sistemas 23
2.1.2.2. Integração horizontal dos sistemas 23
2.1.2.3. Através da engenharia em toda a cadeia de valor 24
2.1.2.4. Aceleração através de tecnologias exponenciais 25
2.2. Tecnologias e ferramentas da Indústria 4.0 25
2.2.1. Internet das Coisas 26
2.2.2. Cyber Physical Systems 30
2.2.3. Realidade Aumentada 34
2.2.4. Manufatura Aditiva 37
2.2.5. Big Data e Analytics 40
2.2.6. Robôs Automatizados 43
13
2.2.7. Simulação de sistemas 44
2.2.8. Computação em nuvem 47
2.2.9. Cibersegurança 49
2.3. Digitalização da Indústria Química 51
3. IMPACTO DA TRANSFORMAÇÃO DIGITAL NA ENGENHARIA QUÍMICA 55
3.1. Contexto 55
3.2. Âmbito acadêmico 55
3.3. Âmbito profissional 56
4. ESTUDO DE CASO 58
4.1. Contexto 58
4.2. Descrição 59
4.2.1. Fornecimento de insumos 61
4.2.1.1. Planejamento 61
4.2.1.2. Compra 62
4.2.2. Armazenagem de insumos 63
4.2.3. Produção de etanol 63
4.2.4. Armazenagem do etanol 67
4.2.5. Logística de distribuição 68
4.3. Resultados 69
5. CONCLUSÕES 71
6. REFERÊNCIAS BIBLIOGRÁFICAS 73
APÊNDICES 73
APÊNDICE A: Questionário – Indústra 4.0 nas universidades 87
APÊNDICE B: Programa de disciplina: Indústria 4.0 90
14
CAPÍTULO 1
1. INTRODUÇÃO
1.1. Contexto
A tecnologia da informação desempenha um papel fundamental na esfera
mundial, estando presente em diferentes aspectos da sociedade. Atualmente,
observa-se uma grande dependência dessa tecnologia por parte das indústrias. O
conceito de combinar os principais avanços tecnológicos com os processos industriais
está sendo considerado como a Quarta Revolução Industrial, onde áreas como a
agricultura, a manufatura, o transporte, entre outras, estão se adaptando às novas
práticas, técnicas, políticas e processos. De forma simplificada, esta nova Revolução
Industrial foi intitulada como Indústria 4.0.
Bloem et al. (2014) sintetizaram que desde o primeiro aparato mecânico, em
1784, até o momento atual, a indústria passou por uma revolução de 4 estágios
predominantes. A primeira revolução industrial deu início no final do século XVIII,
sendo marcada pela produção mecânica com base em vapor e água. A partir do início
do século XX, a busca do aprimoramento contínuo se tornou imprescindível, onde a
aceleração do ritmo industrial e da produção em massa caracteriza a segunda
revolução industrial. Um dos exemplos mais marcantes desta época é a introdução da
linha de montagem, tendo como referência os renomados Henry Ford e Frederick
Taylor. A terceira revolução industrial, iniciada em meados do século XX, destaca-se
pelo desenvolvimento de novas tecnologias, como a Internet, introduzindo a utilização
de processos automatizados a fim de aumentar o rendimento das operações.
Atualmente, vivencia-se a quarta revolução industrial, caracterizada pela associação
entre os avanços na comunicação e a tecnologia da informação, a fim de potencializar
o grau de automatização e digitalização da produção e dos processos industriais. Além
disso, esta transformação digital promove o gerenciamento efetivo de toda a cadeia
de suprimento, aumentando a produtividade e a qualidade dos serviços e produtos
entregues (ANASTASIA, 2015).
Há inúmeros aspectos relacionados à Indústria 4.0, no qual um dos
fundamentos básicos é interligar sistemas, unidades de trabalho e máquinas, de modo
a promover a descentralização e a virtualização dos processos de forma racional
15
(ANASTASIA, 2015). Existem 9 tecnologias associadas a esses aspectos, sendo elas:
Internet das Coisas, Cyber Physical Systems (CPS), Realidade Aumentada,
Manufatura Aditiva, Big Data e Analytics, Robôs Automatizados, Simulação de
sistemas, Computação em Nuvem e Cibersegurança. A utilização de tais tecnologias
impulsionou o ritmo industrial, trazendo mudanças expressivas em diferentes ramos
da indústria moderna.
De acordo com Deloitte (2018), a digitalização concede à indústria química uma
coleta extensiva de dados de forma integrada, com o objetivo de intensificar as
estratégias operacionais da produção. No momento atual, observa-se que muitas
empresas do setor químico já utilizam sistemas automatizados e processos
digitalizados durante a manufatura de seus produtos, como por exemplo na
antecipação da manutenção dos equipamentos através de sensores. Além disso, o
uso da tecnologia da informação contribui não somente para um maior rendimento da
produção, como também fomenta a inovação, à exemplo da implementação de
Realidade Aumentada e Internet das Coisas na pesquisa de novos produtos químicos.
Nesse contexto, a indústria química enfrenta grandes desafios na aplicação e
desenvolvimento desses avanços tecnológicos, como a padronização da linguagem,
a segurança contra ameaças cibernéticas e a falta de mão de obra qualificada (DA
SILVA , 2016). Dessa maneira, a universidade possui um papel fundamental na
formação de profissionais capacitados a este novo cenário, como promover uma maior
interação estudante-empresa através de projetos de pesquisa cooperativos. Além
disso, os profissionais ativos no mercado devem se aperfeiçoar tanto de forma
proativa quanto através de treinamentos fornecidos pelas empresas.
1.2. Justificativa
O interesse pelo tema que irá ser apresentado iniciou-se com a curiosidade em
conteúdos relacionados ao uso da tecnologia como instrumento de criação de
estratégias operacionais, visto que uma parcela desse tema faz parte do escopo do
estágio de um dos autores deste trabalho. Com a busca por este conceito em revistas,
jornais e artigos, viu-se o termo Indústria 4.0 repetir-se inúmeras vezes, estando sua
aplicação presente em diferentes ramos da indústria.
Como a indústria química é uma das principais esferas de atuação do
profissional de Engenharia Química, observou-se a necessidade de evidenciar como
16
essas indústrias estão incorporando os fundamentos da Indústria 4.0 e quais os
principais desafios na aplicação e desenvolvimento das novas tecnologias.
Por último, constatou-se que grande parte do conteúdo ministrado nas
universidades está indo de encontro ao processo de transformação digital na
sociedade. Dessa forma, este trabalho demonstra como o âmbito acadêmico deve se
moldar para atender às expectativas da Indústria 4.0 e como o estudante e o
Engenheiro Químico devem se preparar para este novo cenário.
A fim de dar suporte às justificativas apresentadas neste trabalho, elaborou-se
um questionário (Apêndice A) objetivando avaliar o conhecimento dos estudantes de
engenharia química a respeito desta temática. O questionário avaliou um número total
de 94 participantes, através da ferramenta Google Forms, dos quais
aproximadamente 30% são estudantes do último período e formados. Os resultados
obtidos estão apresentados nas Figuras 1.1 a 1.3, bem como as conclusões obtidas.
Fonte: Questionário alunos (Apêndice A)
Figura 1.1 - Percentual de alunos por período que declaram conhecer o termo
Indústria 4.0.
Verifica-se na Figura 1.1 que aproximadamente 80% dos participantes não
conheciam o conceito de Indústria 4.0, tendência esta também observada entre os
estudantes já formados (69%). Esse percentual possivelmente reflete a falta de
abordagem desse tema durante os estudos na universidade.
13%
33%
60%
31% 31%19%
87%
67%
100% 100% 100% 100% 100%
40%
69% 69%81%
0%
10%
20%
30%
40%
50%
60%
70%
80%
90%
100%
1° 2° 3° 4° 5° 6° 7° 8° 9° 10° Formado
Período
Você conhece o conceito de Indústria 4.0?
Sim Não
Total
45 3 3 4 2 4 2 5 13 13 94
17
Como base para os participantes responderem as demais perguntas do
questionário, foi preliminarmente exposto o conceito de Indústria 4.0, explicitado como
“A Indústria 4.0 é caracterizada pela associação entre os avanços na comunicação e
a tecnologia da informação, a fim de potencializar o grau de automatização e
digitalização da produção e dos processos industriais, através de tecnologias como
Internet das Coisas, Big Data e Realidade Aumentada”. Após apresentada a definição,
96% dos participantes julgaram que adquirir o conhecimento sobre o tema durante a
universidade seria interessante.
Através da Figura 1.2, verifica-se que, apesar dos participantes mostrarem
interesse nesse tema, o ensino superior ainda não está adaptado para atender às
necessidades da Indústria 4.0.
Fonte: Questionário alunos (Apêndice A)
A Figura 1.3 expõe algumas ações (numa escala de 1 a 5 de prioridade) que
as universidades poderiam desenvolver para preparar melhor os estudantes para esse
novo conceito, como a maior interação universidade-empresa, a modernização das
disciplinas, a implantação de laboratórios que permitam ao aluno o acesso às
inovações tecnológicas e o maior incentivo à visitas técnicas em fábricas que
vivenciam o conceito da Indústria 4.0.
Figura 1.2 - Análise do comportamento das universidades no conceito de Indústria
4.0
18
Fonte: Questionário alunos (Apêndice A)
A maioria dos participantes consideram que todas as ações propostas no
questionário deveriam ser executadas, principalmente a modernização das disciplinas
– considerando a soma das porcentagens obtidas nas prioridades 3, 4 e 5,
apresentando como o conteúdo se aplica à Indústria 4.0.
Esse resultado vai ao encontro das respostas obtidas na Figura 1.2, no qual os
participantes acreditam que o ensino superior ainda não está moldado para abordar
os princípios e características da Indústria 4.0.
1.3. Objetivo
O objetivo principal deste trabalho é evidenciar o efeito da digitalização nas
indústrias químicas no Brasil e no mundo, apresentando os aspectos e as tecnologias
da Indústria 4.0 e expondo o impacto dessa transformação digital na Engenharia
Química, no âmbito acadêmico e profissional. Já o objetivo secundário consiste em
destacar a transformação da usina fictícia Ethan LS, uma indústria tradicional
brasileira de produção de etanol, em uma fábrica inteligente, introduzindo-a nesse
novo contexto digital.
Figura 1.3 - Ações empregadas pela universidade para adequar os alunos à
Indústria 4.0
19
CAPÍTULO 2
2. REFERENCIAL TEÓRICO
2.1. Aspectos da Indústria 4.0
Os aspectos da Indústria 4.0 englobam seis princípios básicos que sustentam
a automação e digitalização dos processos, além de quatro características principais
que descrevem como os sistemas de produção, produtos, processos e os dados
coletados correlacionam-se na fábrica inteligente.
2.1.1. Princípios básicos
De acordo com Anastasia (2015) a conexão de tecnologias digitais e físicas é
um fundamento básico da Indústria 4.0. Para estabelecer essa interação, seis
princípios são empregados ao longo da cadeia produtiva, possibilitando a criação de
sistemas inteligentes, que controlam um ao outro de forma autônoma. Contudo,
apesar dessas redes inteligentes trabalharem separadamente, elas atuam de forma
associada, a fim de integrar, através da digitalização e automação, todas as etapas e
fases de desenvolvimento do processo.
A seguir, apresentam-se os seis princípios, que são a virtualização,
descentralização, capacidade de operação em tempo real, orientação a serviços,
sistemas modulares e interoperabilidade. Como decorrência das suas aplicações
espera-se resultados como, respostas rápidas às variações do processo, redução dos
riscos da operação, redução da dependência humana e aumento do ciclo de vida dos
equipamentos.
2.1.1.1. Virtualização
A virtualização consiste no uso de sensores para o monitoramento contínuo da
produção para realizar o armazenamento de um grande volume de dados (ESSS,
2017). Essas informações coletadas serão associadas a modelos de simulações e
20
plantas virtuais, através de plataformas de softwares, como PDM (Product Data
Management), PLM (Product Life Management), CAE (Computer-Aided Engineering)
e CAM (Computer-Aided Manufacturing) (SKA, 2017).
Essas plataformas podem oferecer a reprodução virtual das operações de
manufatura nas fábricas e a virtualização de ambientes, melhorando o desempenho
do processo de produção e reduzindo o risco de falhas. Caso estas venham a ocorrer,
os dados gerados a partir da contínua leitura da medição de parâmetros, como
temperatura e pH, possibilita uma rápida tomada de decisões (THUEMMLER;BAI,
2017).
2.1.1.2. Descentralização
Hermann et al. (2015) apontaram que o controle de sistemas centrais vem se
tornando cada vez mais complexo devido ao progressivo aumento da demanda por
produtos. Dessa forma, máquinas e dispositivos passam a não apenas receber
informações de uma central de computadores e sim, ter autonomia para controlar a
própria operação, em tempo real, de acordo com a necessidade da demanda, o que
caracteriza o princípio da descentralização.
Silveira (2018) afirmou que esse controle é possível em razão dos dados
fornecidos durante a operação, no qual o ciclo de trabalho de cada equipamento é
individualmente analisado por CPS. A partir das informações processadas por esses
sistemas, os próprios dispositivos irão controlar sua operação a fim de produzir
respostas rápidas e potencializar a produção, reduzindo assim a dependência da ação
humana no controle da operação.
2.1.1.3. Capacidade de operação em tempo real
O acompanhamento em tempo real da operação é um princípio básico para a
execução e manutenção de toda fábrica inteligente, e, segundo Longo (2017),
consiste sobretudo na obtenção, tratamento e análise dos dados coletados durante as
fases da produção. A obtenção dos dados ocorrerá durante todo o processo, desde a
entrada do material na fábrica, seguindo para suas respectivas operações de
manufatura, finalizando na logística de entrega. As informações coletadas serão
21
tratadas por especialistas, que utilizam os dados analisados para realizar
manutenções preditivas.
Os principais objetivos dessas manutenções são a não propagação de danos
e o aumento do ciclo de vida do equipamento. Dessa forma, assim como no princípio
de descentralização, o monitoramento em tempo real permite respostas rápidas e
assertivas que reduzem o risco de falhas que podem ocorrer durante o processo,
garantindo oportunidades de otimização e redução de custos indesejáveis de
operação (CIMM, 1997).
2.1.1.4. Orientação a serviços
De acordo com i-Scoop (2016), o princípio da orientação a serviços está
direcionado ao uso da Internet of Services, no qual um produto entregue ao cliente
pode se tornar um compromisso a longo prazo e com valor agregado se adaptado às
novas exigências do mercado.
Geldhof (2016) exemplificou que, os carros vendidos pela empresa Tesla
possuem sensores, que através da internet, conferem ao carro inteligência artificial.
Esses sensores podem sofrer upgrades, tornando possível a venda de serviços
personalizados aos clientes, o que resulta em um aumento da receita final do produto.
Outro exemplo apontado foi da empresa Otis, uma fabricante de elevadores, que
analisa dados coletados a partir de sensores presentes no elevador para oferecer o
serviço de manutenção preditiva, gerando lucro a partir deste serviço prestado. Dessa
forma, esse princípio da Indústria 4.0 está relacionado a criação de serviços prestados
para os clientes, baseados em dados coletados via internet, transformando produtos
em modelos de serviço (I-SCOOP, 2016).
2.1.1.5. Sistemas modulares
A chave para automação do futuro é a descentralização do comando da
produção, de forma a tornar o manuseio e a comunicação dos comandos mais simples
e flexível. Uma maneira de obter essa distribuição do controle é através da instalação
de estruturas modulares, no qual um conjunto de módulos individuais e independentes
forma o denominado sistema modular. O que possibilita a descentralização é a
autonomia de cada módulo, no qual, de acordo com a demanda ou individualidade do
22
produto exigida pelo cliente, esses módulos podem ser adicionados, retirados ou
substituídos na estrutura inicial (PILZ, 2016).
Dessa forma, caso ocorram alterações na produtividade ou no processo, a
flexibilidade e simplicidade atribuídas por esses sistemas permitem a fábrica reagir à
essas variações de forma rápida, eficiente e segura (PILZ, 2016).
2.1.1.6. Interoperabilidade
De acordo com i-Scoop (2016) o princípio da interoperabilidade é sobretudo a
perfeita integração entre diversos fatores que compõem a Indústria 4.0, como
processos, softwares, CPS, pessoas e equipamentos. Essa comunicação é realizada
principalmente através da Internet das Coisas, e exige alto nível de convergência entre
TO (Tecnologia da Operação) e TI (Tecnologia da Informação).
Ghosh (2016) afirmou que no passado, a interação TO e TI se viu limitada
principalmente pelas condições específicas que a indústria exige, forçando cada
tecnologia a se desenvolver de forma autônoma. Devido a esses requisitos e a
pressão do mercado por melhorias nos sistemas, a TI sofreu um avanço exponencial
nos últimos anos, como o desenvolvimento de metodologias de processos e
consumerização e padronização tecnológicas. Dessa forma, a comunicação entre TI
e TO se estreitou e a convergência dessas tecnologias vêm atingindo níveis que
permitem interações máquina-máquina, homem-máquina e dispositivos-máquina
mais eficientes, seguras e unificadas, garantindo uma maior interoperabilidade do
sistema.
2.1.2. Principais características
Proponentes da Indústria 4.0 apontam 4 principais características deste
conceito, sendo elas a integração vertical e horizontal dos sistemas, através da
engenharia em toda a cadeia de valor e o impacto de tecnologias exponenciais nas
linhas de produção.
23
2.1.2.1. Integração vertical dos sistemas
Segundo Kagermann et al. (2013), integração vertical se associa a atuação de
sistemas de TI nos diferentes níveis hierárquicos de uma empresa, a fim de gerar uma
organização automatizada de ponta a ponta.
A base da integração vertical provém da utilização de CPS, que permitem uma
resposta eficaz e ágil a diferentes situações, como na conexão entre o estoque e a
demanda de produtos, na manutenção dos equipamentos e nos atrasos de entrega
das mercadorias (ANASTASIA, 2015).
Uma característica dessa integração vertical é a personificação da manufatura,
ou seja, a possibilidade de atender às especificações do cliente de forma
individualizada. Para isso, torna-se essencial o emprego de sensores no controle das
operações. Além disso, a integração vertical concede um expressivo ganho para as
indústrias em termos de eficiência dos seus recursos, especialmente no uso eficiente
da energia, dos materiais e da mão de obra (DELOITTE, 2015).
Para proporcionar uma integração vertical, torna-se imprescindível a
digitalização em diferentes camadas da indústria, tendo sido estabelecidos 5 níveis
principais. Primeiramente, encontra-se o nível de chão de fábrica, caracterizado pela
interface com o processo de manufatura através do uso de atuadores e sensores. Em
seguida, localiza-se o nível de controle, responsável pela regulagem das máquinas e
dos sistemas. A terceira camada é conhecida como nível de produção, caracterizado
pelo monitoramento, controle e supervisão das linhas de processo. Posteriormente,
encontra-se o nível de operação, definido como o planejamento da produção, o
gerenciamento da qualidade e da eficiência dos equipamentos. Por último, tem-se o
nível de planejamento corporativo, encarregado pelo gerenciamento e processamento
dos pedidos e pelo planejamento geral da produção (I-SCOOP, 2016).
Além disso, Kagermann et al. (2013) destacaram que o uso de sistemas
modulares na verticalização é essencial pois confere um alto grau de
reconfigurabilidade nas linhas de produção.
2.1.2.2. Integração horizontal dos sistemas
Ao contrário da integração vertical, a integração horizontal caracteriza-se pela
conexão entre as atividades internas e os stakeholders, podendo até conectar outras
24
empresas a nível nacional e internacional. Nesse processo, diferentes tecnologias são
empregadas no rastreamento de dispositivos e no planejamento e execução das
ações em tempo real (PWC, 2016).
Entretanto, a integração horizontal possui algumas similaridades com a
integração vertical, como o uso de CPS em seus procedimentos. Especificamente na
integração horizontal, o CPS atua desde a logística de entrada, passando pela
manufatura, armazenagem, marketing e vendas, até a logística de saída (DELOITTE,
2015).
Uma vantagem competitiva da integração horizontal é o poder de decisão que
os clientes possuem em toda cadeia produtiva, desde o pedido, o desenvolvimento, a
composição e a distribuição dos produtos, possibilitando um controle dinâmico e em
tempo real de aspectos como tempo, risco, qualidade, preço e sustentabilidade
ambiental (DELOITTE, 2015).
Segundo Kagermann et al. (2013), para viabilizar a implementação da
integração horizontal, alguns desafios devem ser superados, como a padronização
das estratégias, a falta de conhecimento das ferramentas utilizadas por parte dos
funcionários, questões legais e questões de responsabilidade e proteção da
propriedade intelectual.
2.1.2.3. Através da engenharia em toda a cadeia de valor
Para Tjahjono et al. (2017), a engenharia está presente desde o design,
desenvolvimento e fabricação do produto. Segundo Deloitte (2015), o papel da
engenharia na cadeia de valor é conceder acesso integral dos dados de todas as
etapas da fabricação do produto, utilizando-se de tecnologias como Big Data,
proporcionando processos mais flexíveis desde a modelagem até o produto final.
De acordo com Kagermann et al. (2013), para possibilitar um avanço em toda
a cadeia de valor através da engenharia, sistemas de TI devem ser adequados e
modelados de acordo com as especificações exigidas.
A otimização da engenharia por meio de sistemas digitais de ponta a ponta
permite a customização do produto final, no qual clientes não necessitam escolher um
produto que já esteja no portfólio da empresa e sim combinar peças e funcionalidades
para atender suas necessidades. Para que isso seja possível, treinamentos devem
25
ser providenciados à equipe técnica e sistemas como CPS devem ser empregados
(KAGERMANN et al.,2013).
2.1.2.4. Aceleração através de tecnologias exponenciais
A quarta característica principal da Indústria 4.0 é a aceleração dos processos
industriais por meio da implementação de novas tecnologias, permitindo a fabricação
de produtos personalizados, maior flexibilidade dos serviços e redução dos custos
operacionais (DELOITTE, 2015).
De acordo com ioTUK (2017), algumas tecnologias como a Realidade
Aumentada concedem uma nova dimensão à manufatura, enquanto outras como a
impressão 3D reduzem os custos de produção, possibilitando a adesão de empresas
de pequeno porte.
Para Santos et al. (2017), a impressão 3D permite uma descentralização dos
processos e uma rápida prototipagem da produção, eliminando assim etapas
intermediárias de fabricação, transporte e armazenamento do produto.
Outras tecnologias como nanomateriais e nanosensores também podem ser
aplicadas no contexto da Indústria 4.0, contribuindo no gerenciamento efetivo da
qualidade e permitindo a criação de robôs automatizados (DELOITTE, 2015).
Omanović-Mikličanin e Maksimović (2016) exemplificam que, no setor
alimentício, nanosensores possibilitam a mitigação de problemas associados à
embalagem de alimentos, devido as suas propriedades químicas e eletro-ópticas.
Esses sensores são capazes de detectar a presença de contaminantes químicos,
aromas e gases tóxicos no ambiente. Dessa forma, eles garantem segurança para os
consumidores, reduzindo significantemente a frequência de infecções alimentares.
2.2. Tecnologias e ferramentas da Indústria 4.0
Existem 9 tecnologias primordiais na composição da fábrica inteligente, sendo
elas: Internet das Coisas, CPS, Realidade Aumentada, Manufatura Aditiva, Big Data
e Analytics, Robôs Automatizados, Simulação de sistemas e Computação em nuvem
e Cibersegurança.
Apesar de muitas tecnologias citadas acima já serem empregadas na indústria
contemporânea, Rüßmann et al. (2015) enfatizaram que o modelo 4.0 pretende
26
transformar as atuais linhas de produção, no qual sistemas isolados serão integrados,
automatizados e otimizados, promovendo maior eficiência dos processos e um novo
modelo de relacionamento indústria-stakeholders e homem-máquina.
2.2.1. Internet das Coisas
A origem do conceito de “Internet of Things” (IoT), Internet das Coisas em
português, foi expressa pela primeira vez em 1999 pelo empreendedor e fundador de
start-ups britânico, Kevin Ashton. O termo foi utilizado para expressar um sistema que
utilizava sensores como meio de transmissão de dados entre objetos e computadores
(ORIWOH et al., 2013).
Entretanto, segundo Cisco (2011), o termo “nasceu” entre os anos de 2008 e
2009, pois foi nesse período que o número de dispositivos conectados à
computadores ultrapassou o número de habitantes do planeta, que, de acordo com a
ONU (2018), era de aproximadamente 7 bilhões de habitantes.
De acordo com pesquisas mais recentes realizadas pela própria Cisco (2016),
o número de dispositivos conectados pode chegar a 500 bilhões em 2030, tornando a
IoT parte crucial para a criação de estratégias de negócio. Um estudo promovido pela
IDC demonstra claramente essa importância, no qual 48% dos 2300 executivos
entrevistados em 15 países já implementaram soluções a partir do uso da IoT.
O número de objetos conectados disparou em razão do desenvolvimento de
tecnologias que possibilitaram a expansão do uso da IoT. Oliveira (2017) destacou
quatro dessas tecnologias como responsáveis por essa evolução, a identificação por
radiofrequência (do inglês “Radio-Frequency IDentification” - RFID), as RSSF - redes
de sensores sem fio (do inglês “Wireless Sensor Network” - WST), as tecnologias de
comunicação e redes de computadores e os dispositivos portáteis.
A RFID foi introduzida durante a Segunda Guerra Mundial, com o objetivo de
favorecer a identificação dos aviões de guerra em combate. O conceito básico dessa
tecnologia é a transmissão de um sinal identificador, através de radiofrequência, para
um dispositivo que irá associar o sinal transmitido à uma coisa ou objeto. Um exemplo
de aplicação dessa tecnologia é a utilização das RFID tags ou etiquetas e dos leitores
RFID. Nas RFID tags é realizado o armazenamento de um número serial. Os dados
desse número serial são transmitidos por radiofrequência, através de uma antena, e
captados pelos leitores. Os leitores RFID convertem o sinal identificador emitido em
27
dados digitais, que são processados e associados à um objeto. Dessa forma, é
possível identificar individualmente esse objeto ou coisa (ATZORI et al., 2017)
Prosseguindo com as tecnologias que permitiram o desenvolvimento da IoT, as
RSSFs são formadas por inúmeros elementos computacionais, como ilustrado na
Figura 2.1, que são capazes de se comunicar sem o uso de fio. A principal finalidade
dessas redes é o monitoramento e coleta de dados, sendo amplamente utilizadas na
área de segurança das atividades (OLIVEIRA, 2017). Exemplificando a aplicação de
RSSFs, Loureiro et al. (2003) evidenciaram o controle de parâmetros como
temperatura e pressão de processos industriais e o acompanhamento das redes de
distribuição de água, energia e gás.
Fonte: Hill (apud Soares, 2004)
Figura 2.1 - Componentes de uma RSSF
Paralelamente ao desenvolvimento das redes de sensores sem fio, Oliveira
(2017) listou as tecnologias de comunicação e redes de computadores. Em uma linha
temporal popularizou-se primeiro a internet, que utiliza protocolos TCP/IP para
comunicação de computadores através da rede. Posteriormente, o WiFi possibilitou a
conexão sem fio, de pequeno alcance, entre equipamentos. Por fim, ocorreu a
expansão das redes de telefonia 2G, 3G e 4G (padrões e tecnologias de telefonia
móvel), que permitiram a comunicação de dispositivos móveis.
O último passo para concretizar o contexto da IoT foi a evolução dos aparelhos
portáteis, como tablets, smartphones e notebooks. Oliveira (2017) explicou que,
principalmente os smartphones, foram essenciais para a disseminação da Internet das
Coisas, pois revolucionou o acesso à informação, levando a IoT em ambientes
carentes de grandes tecnologias, e facilitou a comunicação entre equipamentos.
28
Como demonstrado anteriormente em alguns exemplos, a Internet das Coisas
está presente em inúmeras atividades, assim é essencial conhecer a cadeia de valor
que torna todas essas práticas viáveis. Segundo FIRJAN (2016), a cadeia de valor é
dividida em três áreas, como ilustrado na Figura 2.2, no qual cada atividade presente
na cadeia foi adicionada de acordo com os períodos de produção e o fluxo de
agregação de valor.
Fonte: FIRJAN (2016)
Segundo a FIRJAN (2016), a cadeia de valor inicia-se na indústria extrativa,
que representa os produtos do setor primário, responsável pelo suprimento da
matéria-prima para a indústria de transformação, que compreende as atividades que
abrangem a transformações química, biológicas e físicas dos insumos, como cobre e
ferro, em novos produtos. Posteriormente, observa-se a fabricação de componentes
inteligentes utilizados nas tecnologias da informação e comunicação (TIC) em paralelo
à fabricação de máquinas e equipamentos, que conta com mercadorias tradicionais,
como carros e câmeras.
Figura 2.2 - Cadeia de valor - Internet das Coisas
29
O estágio seguinte trata-se da fabricação da infraestrutura de TIC que integra
a manufatura dos equipamentos e ferramentas que possibilitam as conexões, o que
torna esta etapa extremamente importante para permitir a conectividade exigida pela
IoT. Concomitantemente, sucede a etapa de Design e Integração de produtos e
serviços, que englobam os procedimentos de concepção e projeto dos derivados da
associação dos produtos inteligentes aos tradicionais e os serviços integrados à eles.
Nesse estágio acontece a escolha das bases e exigências para a estruturação do
negócio oriundo da IoT, como por exemplo, a definição dos sistemas operacionais e
as plataformas que serão utilizadas.
Na próxima etapa, três atividades que acontecem paralelamente foram
incluídas, sendo a primeira a conexão física, entre a internet e os dispositivos,
desenvolvida pelas prestadoras de conectividade, a segunda a fabricação do produto
inteligente final e a terceira relativa ao desenvolvimento dos serviços e da estrutura
de negócio. A cadeia finaliza com a distribuição da rede que permite a conectividade.
Esta atividade ocorre simultaneamente ao momento da venda e acesso do produto
inteligente ao consumidor e ao estudo dos dados processados ao longo da cadeia de
valor.
Por fim, ao longo de toda a cadeia, se desenvolve as atividades de apoio, que
são o suporte da logística para a realização dos processos, práticas para segurança
das informações e finalmente o armazenamento de dados coletados nas últimas
etapas. (FIRJAN, 2016)
De maneira geral, Nepiot (2018) explica que a cadeia de valor é parte essencial
para a estrutura do negócio e que em virtude da quantidade de processos que a
circunda, este é um elemento de alto nível de complexidade. Contudo, essa
multiplicidade de atividades promove oportunidades de colaboração e parcerias entre
fornecedores, operadores, provedores de aplicativos e integradores de sistemas, o
que permite a maturação e o funcionamento da cadeia como um todo.
Parte das tecnologias decorrentes dessa cadeia de valor é direcionada para o
uso industrial, no qual Gilchrist (2016) ponderou que para esse caso em particular, a
GE (General Electric) criou o termo denominado como Industrial Internet of Things ou
IIoT. A IIoT foi apresentada como uma geradora de oportunidades de redução de
custos e ganho de produtividade através de manutenções preditivas e da otimização
de processos e de estoques. De acordo com Accenture (2015), a título de exemplo,
30
uma consequência da IIoT é o aumento de 10,6 trilhões de dólares no PIB mundial
em 2030.
Um dos segmentos afetados pela evolução da IIoT é a indústria de Óleo e Gás.
Gilchrist (2016) exemplificou que as técnicas utilizadas na perfuração e exploração do
solo marinho eram onerosas e imprecisas, já que eram baseadas apenas em análises
realizadas por geólogos. Com o advento da IIoT, os custos estão sendo direcionados
para o investimento em novas tecnologias como sensores wireless, armazenamento
de dados na nuvem e ferramentas de análise. Dessa forma, a implementação dessas
tecnologias impactou o monitoramento do processo de perfuração e a acuracidade na
pesquisa de novos campos, o que reduziu os custos totais de operação e exploração,
e melhorou a previsibilidade da descoberta de poços de óleo e gás.
2.2.2. Cyber Physical Systems
Segundo Baheti e Gill (2011), Cyber Physical Systems (CPS) refere-se à
integração de processos físicos e computacionais por meio de diferentes
modalidades. Em outras palavras, Lachenmaier et al. (2017) detalharam que a
informação é coletada do universo físico através de sensores, logo após processada
internamente pelo CPS, que gera um sinal ao painel de controle computacional por
meio de atuadores.
De acordo com Lee et al. (2015), o termo CPS foi criado por Helen Gill e surgiu
pela primeira vez em 2006, na Fundação Nacional de Ciências nos Estados Unidos.
O termo é originário da palavra cibernético, que foi apresentado inicialmente por
Norbert Wiener, um matemático renomado pela criação da teoria de sistemas de
controle. Embora seus estudos não envolvam o uso de computadores digitais, seus
princípios se assemelhavam com os sistemas idealizados atualmente, isto é, CPS.
Alguns exemplos de aplicação dos CPS são destacados por Rajkumar et al.
(2010), sendo eles dispositivos e sistemas hospitalares, sistemas aeroespaciais,
sistemas robóticos e controle ambiental e de processos. Em particular, no controle
ambiental, Kim e Park (2017) evidenciaram que os CPS possibilitam uma redução de
gás carbônico emitidos na atmosfera, por meio de um sistema operacional eficiente.
Além de contribuir para o meio ambiente, essa aplicação concede um maior
aproveitamento energético e uma maior lucratividade para a empresa.
31
Yu et al. (2015) também reforçaram que os CPS atuam na integração vertical
e horizontal dos sistemas, além de toda a cadeia de valor através da engenharia.
Nesse caso, a utilização de CPS promovem um alto grau de flexibilidade e
adaptabilidade dos processos.
Lee et al. (2015) introduziram um passo a passo para o desenvolvimento e
implementação do CPS na manufatura, desde a etapa de aquisição de dados à
conexão entre o universo cibernético e físico. Esse passo a passo, conhecido como
arquitetura 5C (Conexão Inteligente, Conversão de Dado-para-informação,
Cibernético, Cognição e Configuração), é ilustrado na Figura 2.3, sendo composto por
5 camadas que orientam o funcionamento do CPS:
Fonte: Lee (apud Pisching et al., 2017)
Figura 2.3 - Arquitetura 5C
● Conexão Inteligente: obter dados confiáveis e precisos dos equipamentos é a
primeira fase no desenvolvimento de um CPS. Nessa etapa, sensores,
controladores e ferramentas como ERP (Enterprise Resource Planning), MES
(Manufacturing Execution Systems), SCM (Supply Chain Management) e CMM
(Coordinate Measuring Machine) atuam na aquisição e monitoramento dos dados
(LEE et al., 2015). Além disso, algumas considerações devem ser levadas em
conta, sendo a primeira apresentada por Vijayaraghavan et al. (2008), no qual
32
protocolos como MTConnect®1 auxiliam no gerenciamento e transferência de
dados para o servidor central. A segunda consideração foi apontada por Lee et al.
(2015), no qual sensores devem ser escolhidos de forma apropriada (tipo e
especificação), de acordo com as exigências do sistema.
● Conversão de dado-para-informação: em uma empresa, os dados obtidos na
primeira fase expressam as condições dos equipamentos que estão sendo
monitorados. Entretanto, esses dados devem ser convertidos em informações que
podem ser interpretadas e aplicadas no universo físico, como no prognóstico e
acompanhamento da saúde humana (KAO et al., 2015).
● Cibernético: uma vez que as informações foram coletadas, o próximo passo
seria como utilizá-las e analisá-las. Nessa etapa, a informação é usada na
elaboração de modelos virtuais, sendo empregados em máquinas e na construção
de uma matriz de conhecimento para cada equipamento. Após analisada a
informação, cada máquina pode ser comparada com outras máquinas similares
no mesmo espaço de tempo ou até mesmo do passado, obtendo insights como
ciclo de vida do equipamento.
● Cognição: A implementação do CPS nesse estágio fornece um conhecimento
mais profundo do instrumento analisado. A máquina adquire a capacidade de
alertar possíveis falhas de forma antecipada. Após prevista a falha, Lee et al.
(2015) acentuaram que decisões podem ser priorizadas a fim de otimizar o
processo de manutenção.
● Configuração: essa etapa é caracterizada pela transmissão da resposta do
universo cibernético ao universo físico, tornando as máquinas auto ajustáveis e
auto adaptáveis a diferentes variações do processo.
Para Pisching et al. (2017), no contexto da Indústria 4.0, alguns ajustes devem
ser realizados na arquitetura 5C para auxiliar na aplicação do CPS, como apresentado
na Figura 2.4.
1 “MTConnect® é um protocolo de comunicação de manufatura aberto e sem royalties que promove maior
interoperabilidade entre dispositivos de fabricação e software de diferentes fornecedores” (MAZAK, 2018).
33
Fonte: Pisching et al. (2017)
Figura 2.4 - Arquitetura 5C adaptada à Indústria 4.0
Primeiramente, na camada de conexão inteligente, ao invés de obter dados
unicamente das máquinas e seus componentes, esta etapa se caracteriza pela
aquisição de dados de múltiplos elementos da fábrica, como objetos inteligentes
presentes no processo (PISCHING et al., 2017)
Já a segunda camada é conhecida como inteligência local, no qual,
diferentemente da etapa conversão de dado-para-informação, ocorre uma análise do
objeto inteligente, a fim de promover uma comunicação entre objetos do mesmo nível
hierárquico.
Apesar do terceiro estágio permanecer denominado como cibernético, a função
de analisar o funcionamento do sistema foi deslocada para a camada inferior
(inteligência local) e posterior (cognição), com o objetivo de desmembrar dois
processos complexos (análise das informações compiladas e elaboração do modelo
virtual) de uma única camada.
A quarta camada, também conhecida como cognição, recebe uma nova
responsabilidade, que provém do estágio cibernético, no qual uma análise é realizada
sobre o comportamento do sistema em sua totalidade e não de um objeto inteligente
específico como é feito na camada de inteligência local.
Por último, a camada de configuração foi substituída pela de coordenação, que,
além de servir como um retorno do universo cibernético ao universo físico, possibilita
que o CPS se comunica com sistemas externos (integração horizontal), como
fornecedores e clientes.
34
Quando aplicado na Indústria, o CPS é conhecido como CPPS (Cyber Physical
Production System). Segundo Thiede et al. (2016), à parte da conexão entre a esfera
cibernética (simulação do processo, análise dos dados, etc.) e a esfera física
(máquinas, objetos inteligentes, etc.), o CPPS também abrange os funcionários da
fábrica. Esse modelo, ilustrado na Figura 2.5, apresenta algumas vantagens, como
aumento da produtividade e maior gerenciamento da qualidade dos produtos.
Fonte: Adaptado de Thiede et al. (2016)
Figura 2.5 - CPPS e seus componentes
Para Kim e Park (2017), os CPS introduzem novos serviços e processos para
a fábrica, provendo modelos de negócio mais flexíveis. Eles destacaram que esses
sistemas já foram implementados em alguns setores industriais, como na fabricação
de semicondutores e na indústria química, originando uma mudança radical no
desenvolvimento, produção e distribuição do produto.
2.2.3. Realidade Aumentada
Porter e Heppelmann (2017) explicaram que o conceito de Realidade
Aumentada (RA) se refere a uma série de dispositivos tecnológicos que são capazes
de sobrepor uma imagem virtual no mundo real. Nesse contexto, o primeiro
equipamento a inserir as pessoas em uma realidade tridimensional sem que haja
distinção entre o que era real e virtual (o Head Mounted Display, ou HMD), foi
35
apresentado ao mundo nos anos 60 por Ivan Sutherland. Entretanto, Dini e Mura
(2015) afirmaram que foi apenas durante os anos 90, após amadurecimento das
tecnologias, que a realidade aumentada foi concretizada e utilizada em larga escala.
Após anos de evolução digital, o uso de dispositivos de RA promove suporte
no controle e manutenção de máquinas e nos treinamentos de desenvolvimento
pessoal, sendo peça chave na otimização do tempo e na redução de custos. Dessa
forma, se tornou uma das bases da Indústria 4.0, estimando-se um investimento de
$60 bilhões até 2020 para o desenvolvimento desta tecnologia (REPLY, 2018).
Azuma (1997) destacou que para o uso total dos recursos promovidos pela RA,
existem três características básicas que definem os sistemas, que são a sobreposição
do virtual e o real, a utilização de componentes 3D e a manipulação do processo em
tempo real. Esses sistemas são compostos de três elementos: um material físico que
apresente um traço para criação da imagem digital, um dispositivo com capacidade
de identificar, receber e transmitir a reprodução do material físico e um software para
interpretação do sinal emitido.
Dessa forma, o processo de formação da imagem digital inicia-se com a
assimilação da imagem captada por meio do posicionamento do dispositivo (uma
câmera, por exemplo) em direção ao objeto físico. Logo após o dispositivo interpreta
essas imagens e as enviam em tempo real para o software que gera uma reprodução
virtual do objeto. Por fim, esta imagem é sobreposta no objeto real (por um monitor,
por exemplo), produzindo uma única imagem (INPI, 2017).
Azuma (1997) apresentou que os sistemas de RA que produzem essas
imagens unificadas podem ser classificados de acordo com o modo de apresentação
da imagem, e são divididos em sistemas de visão de ótica e sistemas de visão por
vídeo. Existem dois tipos de sistemas de visão ótica: o direto e o por projeção. O
primeiro utiliza capacetes com lentes ou óculos, que possuem combinadores óticos
que permitem a visão do objeto real e refletem a projeção do objeto virtual sobre os
olhos do usuário, ajustando assim a sobreposição das imagens, como ilustrado na
Figura 2.6. Já o segundo, é restrito ao uso de superfícies do universo real para projetar
as imagens virtuais, porém não é necessário a utilização de dispositivos auxiliares,
como óculos e capacetes.
36
Fonte: Adaptado de Azuma (1997)
Figura 2.6 - Diagrama de um Sistema de óptica
Já os sistemas de visão por vídeo agrupam imagens de objetos reais
capturadas por uma câmera, com imagens virtuais produzidas por computadores.
Dessa forma, o vídeo combinado é exibido através de um monitor (Figura 2.7) em alta
resolução e proporciona maior conforto aos olhos do que os sistemas de visão de ótica
(AZUMA, 1997).
Fonte: Adaptado de Azuma (1997)
Figura 2.7 - Diagrama de um Sistema de vídeo baseado em monitores
Recentemente, devido às possibilidades tecnológicas criadas nos últimos anos,
esses sistemas apresentados nas Figuras 2.6 e 2.7 estão evoluindo ao uso de um
único dispositivo, como smartphones e tablets. A título de exemplo, a TROX Brasil,
empresa do segmento de sistemas de ventilação e ar condicionado, apresentou um
projeto de RA que tem por objetivo a manutenção preditiva do equipamento. A partir
do posicionamento de um desses dispositivos junto ao ar condicionado, é possível
produzir uma imagem virtual dos componentes internos do equipamento por meio de
dados enviados por sensores, realizando uma espécie de raio-x que permite visualizar
37
possíveis falhas sem a necessidade de abertura do mesmo (TROX, 2017). Desse
modo, a realidade aumentada pode evitar erros operacionais graves, reduzindo tempo
e custos de manutenção.
2.2.4. Manufatura Aditiva
Segundo ASTM Standard (apud Mellor et al., 2014), Manufatura aditiva (MA),
também conhecida como impressão tridimensional (3D), é definida pela união de
materiais com o objetivo de construir objetivos em formato 3D, através da
sobreposição de camadas. Conner et al. (2014) destacaram que, diferente das
tecnologias tradicionais, como fabricação subtrativa (moagem, perfuração, etc.),
conjuntiva (soldagem, etc.) e formativa (fundição, forjamento, etc.), a MA promove
design customizado dos produtos, diminui o emprego de ferramentas durante a
produção e concede maior eficiência energética à operação.
Bourell et al. (2009) revelaram que, apesar das técnicas de MA serem aplicadas
pela primeira vez em 1972 por Ciraud, elas possuem raízes na topografia e fotografia,
tecnologias datadas há quase 150 anos, que já se caracterizavam pela construção de
um objeto através da junção de camadas. Wohlers e Gornet (2016) evidenciaram que
a comercialização da MA iniciou-se em 1987, por meio da solidificação de polímeros
sensíveis à luz ultravioleta através de um laser, processo conhecido como
estereolitografia (SL) (Figura 2.8).
Fonte: Grellmann (2018)
Figura 2.8 - Esboço de um processo de estereolitografia
38
Ao longo dos anos, observa-se um avanço significativo na pesquisa e
desenvolvimento de novas técnicas e materiais empregados na MA. Alguns exemplos
de aplicação dessa tecnologia são: aparelhos dentários e auditivos, componentes
aeroespaciais, eletrônicos e automotivos, avatares de videogame, vestimentas,
alimentos, etc (ZHAI et al., 2014). Segundo Smith (2013), a multinacional GE Aviation
planeja até 2020 produzir aproximadamente 100 mil bicos injetores de combustível
para suas turbinas de avião com o uso da MA. Ele acentuou que esse bocal pode ser
até 25% mais leve e 5 vezes mais duradouro que o bocal fabricado por meio de
métodos tradicionais, além de apresentar maior resistência à formação de coque.
Dilberoglu et al. (2017) apontaram que a etapa de escolha do material
adequado durante o processo de MA é de extrema importância. Além disso, no
contexto da Indústria 4.0, alguns materiais (Figura 2.9), apresentam maior potencial
de desenvolvimento e aplicação na MA.
Fonte: Adaptado de Dilberoglu et al. (2017)
Figura 2.9 - Materiais em estudo ou já empregados na MA
● Metais: devido a suas propriedades mecânicas, como ductilidade,
maleabilidade e alta condutividade elétrica e térmica, o metal é um dos materiais
mais utilizados na MA. Atualmente, muitos componentes metálicos podem ser
fabricados através da MA com o uso de matérias-primas como aço inoxidável e
titânio (HERZOG et al., 2016). Segundo Ngo et al. (2018), existem duas técnicas
principais aplicadas na impressão 3D de metais, que são fusão em leito de pó e
39
deposição direta de energia. Tanto a primeira quanto a segunda técnica podem
ser empregadas em diversas áreas (e.g., aeroespacial e biomédica) e apresentam
inúmeras vantagens, como maior qualidade do produto comparado com os
métodos tradicionais e controle mais preciso da composição final.
● Materiais inteligentes: de acordo com Khoo et al. (2015), esses materiais são
conhecidos por mudarem sua forma geométrica ou suas propriedades devido à
condições externas, como variações de temperatura. O LMF e o PMF são
empregados em diferentes ramos industriais, como na produção de componentes
para sistemas de “robótica macia”. Dilberoglu et al. (2017) destacaram que, na
conjuntura da Indústria 4.0, esses materiais possuem grande potencial de
aplicação em objetos de auto-montagem e programáveis, conhecidos como
materiais de impressão 4D.
● Materiais especiais: à medida que os avanços tecnológicos se propagam em
diferentes esferas da sociedade, muitos setores estão sendo impactados, como
de construção civil, alimentício e varejista. Em primeiro lugar, a MA está
revolucionando o setor imobiliário, no qual objetos são impressos em formato 3D
com a mesma escala do projeto e com menor custo e tempo de produção, além
de desenvolver componentes mais leves que os tradicionais. Já o ramo
alimentício, alguns alimentos como chocolate podem ser produzidos em formato
3D com maior customização e produção sob demanda. No mercado varejista,
alguns desafios como redução do custo associado à logística, fabricação de
produtos mais qualificados e com menor tempo de produção são superados com
a utilização da MA no processo fabril (ATTARAN, 2017).
● Hidráulicos e eletrônicos: Dilberoglu et al. (2017) apontaram que, com o uso de
materiais condutores na MA, circuitos eletrônicos podem ser incorporados no
objeto 3D, permitindo a formação de um sistema integrado. Por outro lado,
MacCurdy et al. (2016) explicaram que os materiais hidráulicos podem ser
caracterizados pela combinação de materiais sólidos e líquidos em um mesmo
componente, com o objetivo de otimizar processos como na montagem eficiente
de robôs automatizados. Além disso, a impressão 3D de objetos hidráulicos
oferece outras vantagens, como baixa fricção e a exclusão da etapa de remoção
de bolhas de ar do objeto, já que a camada sólida e líquida são produzidas ao
mesmo tempo.
40
Körner (2016) destacou que, além destes materiais apresentados, a MA está
sendo aplicada em materiais com alto grau de porosidade, denominados materiais
celulares. Como exemplificação, na engenharia de processamento, a MA permite a
construção de reatores otimizados por meio da utilização de materiais celulares que
alteram as características locais dos processos a fim de mitigar problemas como hot
spot. Desse modo, a MA tem um papel essencial na fábrica inteligente, por meio da
produção de objetos eficientes e automatizados.
2.2.5. Big Data e Analytics
Big data é um termo que refere-se à um extenso volume de dados que podem
ser gerenciados com o objetivo de gerar insights para criação de ações estratégicas
e melhoria na tomada de decisão de um negócio. Por se tratar de um conceito
complexo e de grande importância, no início do século XXI, Doug Laney estruturou a
definição de Big Data em dimensões, conhecidas como os três Vs, volume,
velocidade, variedade. Para melhor explicação do termo viu-se ainda a necessidade
de incorporação de mais dois, a veracidade e o valor (SAS, 2018).
O primeiro V é referente ao volume, e trata-se da grande quantidade de dados
que são computados. Com o aumento do número de dispositivos conectados à rede,
uma parcela considerável desses dados é considerada de baixa densidade (não
possuem valor conhecido), dessa forma realiza-se o estudo desses dados para
convertê-los em alta densidade (que possuem valor). Para suprir a captura desse
enorme volume de dados, se faz uso de softwares como Hadoop, responsável pelo
armazenamento e processamento das informações (ORACLE, 2016).
O segundo está relacionado à velocidade, e Lee (2017) se referiu a rapidez de
geração, armazenamento e tratamento dos dados, onde sua velocidade de obtenção
exige análises em tempo real para garantir que insights e estratégias sejam criadas
rapidamente.
A terceira dimensão é a variedade, e diz respeito ao incontável número de
fontes, formatos e tipos de dados gerados, que podem ser estruturados, quando
obtidos a partir de databases convencionais, ou não-estruturados, quando adquiridos
a partir de textos, áudios, GPS, transações da bolsa de valores e etc. Como
consequência, quanto maior a variedade, maior o tempo necessário de estudo dos
dados para extrair informações úteis para o negócio. (SAS, 2018)
41
Gandomi e Haider (2015) citou que a IBM sugeriu uma quarta dimensão, a
veracidade, que está correlacionada com a confiabilidade e segurança das fontes de
geração de dados. Essa incertezas são relevantes pois se a captura de dados é
inconsistente, os insights produzidos podem gerar ações equivocadas, podendo
impactar de forma negativa nas estratégias de negócio.
A quinta e última dimensão é o valor, e trata-se do valor oculto e inerente de
cada dado extraído e está relacionado a densidade dos mesmos. O objetivo nesse
caso é aumentar a densidade da informação através de técnicas de análise onde é
possível expor o real valor de cada informação. O grande volume de dados capturado
por unidade de tempo facilita esses estudos, já que uma maior amostragem estatística
resulta em respostas mais consistentes e valiosas (ORACLE, 2016).
A geração acelerada de conteúdo digital vem remodelando o conceito de Big
Data desde os anos 90, quando a World Wide Web (www) se popularizou ao redor do
mundo e a produção de dados cresceu exponencialmente. Dessa forma, dividiu-se a
evolução desta tecnologia em três marcos, o Big Data 1.0 (1994 - 2004), o 2.0 (2005
- 2014) e o 3.0 (2015 - presente).
De acordo com Lee (2017), o início do estágio 1.0 é concomitante ao
nascimento das vendas online, no ano de 1994, e é marcado pelo desenvolvimento
da metodologia de web mining (mineração na web). Essa técnica tinha por objetivo a
extração de informações a partir das atividades dos usuários, do conteúdo das
páginas da web e da análise da estrutura dessas páginas. Observou-se que, até 2004,
ainda existiam limites quanto às informações minadas, quando em 2005 desencadeou
o sucesso das mídias sociais e deflagrou a Web 2.0, marco para o início da Big Data
2.0
O período do segundo estágio durou 10 anos e foi marcado pelo crescimento
dos canais de comunicação pela web. Um dos principais recursos para Big Data 2.0
era a coleta e tratamento de dados da mídia social, no qual extraía-se respostas e
resultados a partir de estatísticas geradas dos interesses e comportamentos do
consumidor ativo na web. Como produto desses estudos, foi possível criar ações de
marketing de acordo com as necessidades e preferências dos clientes, facilitando
dessa forma, a venda de serviços e produtos.
A terceira e última etapa iniciou-se em 2015, incorporando as técnicas da Big
Data 1.0 e 2.0 às funcionalidades da IoT para extração de informação de vídeos,
imagens e áudio. A Big Data 3.0 é destacada pelo uso desta tecnologia nas fábricas
42
inteligentes associada à conexão entre dispositivos e sensores para a retirada dos
dados de análise em tempo real (LEE, 2017).
Para o processamento dessas informações em tempo real, é necessário a
aplicação de técnicas de análise que sejam capazes de processar um grande volume
de dados em um pequeno intervalo de tempo, dentre elas a data mining (mineração
de dados), web mining (mineração na web), machine learning (aprendizado de
máquina), visualization methods (métodos de visualização), optimization method
(método de otimização). Na Tabela 2.1 listou-se a definição de cada técnica
mencionada.
Tabela 2.1 - Descrição das técnicas de análise de Big Data
Técnicas
Descrição
Data Mining Utilização de algoritmos para encontrar relações e padrões num
determinado conjunto de dados para gerar soluções estratégicas.
Web Mining Busca por padrões em conteúdos na web apresentados por sites e
usuários.
Machine Learning (MC) Automatização baseada no comportamento de máquinas e
dispositivos para tomada de decisão, reduzindo a ação humana
durante o processo.
Visualization methods Representação dos dados através de gráficos para alcançar
resultados qualitativos.
Optimization method Resolução de questões quantitativas.
Fonte: Adaptado de Yaqoob et al. (2016)
As análises realizadas através destas técnicas podem ser divididas em quatro
tipos, a descritiva, a diagnóstica, a preditiva e a prescritiva. A primeira caracteriza-se
pela observação em tempo real da base de dados para entender e estudar as
informações no momento da análise. A segunda é utilizada para a compreensão de
ações tomadas, avaliando suas consequências e sinalizando possíveis melhorias. A
terceira é conhecida por identificar possibilidades futuras e utiliza-se principalmente
da data mining e da web mining para gerar padrões e tendências. A quarta e última
43
ainda é pouca conhecida e demonstra as implicações das possibilidades criadas a
partir de uma análise preliminar (HEKIMA, 2016).
Dessa forma, a partir dos possíveis resultados gerados pelas técnicas e
análises apresentadas, é importante destacar o papel fundamental que o Big Data tem
na indústria química, visto que a instrumentação das plantas industriais produz uma
grande quantidade de dados por intervalo de tempo que apresentam alta variedade e
complexidade.
2.2.6. Robôs Automatizados
Segundo Mussomeli e Fitzgerald (2017), o emprego de robôs automatizados
na manufatura é observado desde a década de 1980. No contexto da Indústria 4.0,
estes robôs possuem cada vez mais autonomia em seus processos. Eles destacaram
que os robôs têm a capacidade de aumentar significativamente a produtividade de
toda a cadeia de suprimentos, além de interagir diretamente com seres humanos a
fim de otimizar as operações industriais.
Calderone (2016) acentuou que os robôs estão mudando drasticamente a
dinâmica da produção industrial. Algumas vantagens são levantadas pelo autor, como
maior qualidade do produto final, menor tempo de produção e maior segurança dos
processos. Na Figura 2.10, são apresentados os principais setores industriais em
número de aquisição de robôs nos últimos anos, com uma estimativa de 3 milhões de
robôs operando na indústria até 2020.
Fonte: Adaptado de IFR World Robotics (2017)
Figura 2.10 - Estimativa anual do número de robôs vendidos por setor industrial
44
Ao longo dos anos, observa-se que os robôs estão adquirindo maior
capacidade de adaptação e interação com diferentes sistemas industriais. Isso
acontece devido aos avanços tecnológicos, como inteligência artificial (IA) e MC, no
qual o robô tem o poder de julgamento e decisão sobre tarefas que antes eram
realizadas pelo ser humano, principalmente atividades repetitivas, operacionais e de
baixa relevância (MUSSOMELI e FITZGERALD, 2017).
De acordo com Roland Berger Strategy Consultants (2014), no contexto da
Indústria 4.0, os robôs inteligentes operam de forma colaborativa com os seres
humanos, no qual sensores são utilizados para facilitar a interface homem-máquina.
Um exemplo notável da aplicação robótica na manufatura é a operação 24 horas/dia
da planta industrial sem a necessidade da presença humana durante turnos noturnos.
Neste caso, o robô torna-se responsável por alertar o funcionário sobre possíveis
problemas na produção através de uma mensagem, e em seguida projetar uma
imagem da anormalidade. Dessa forma, o funcionário envia instruções de forma
remota sem a obrigatoriedade de retornar à indústria, aumentando significativamente
a produtividade.
Segundo Stavinoha et al. (2014), os robôs possuem um papel fundamental no
processo de automatização da indústria de óleo e gás. Eles surgiram a partir da
necessidade de otimizar custos e garantir maior segurança durante a operação. Como
exemplificação, Langrock (apud Shukla e Karki, 2016) explicou que a utilização de
robôs (por exemplo, Veículo de Operação Remota - VOR) pode reduzir até 66% do
custo diário derivado dos mergulhadores, além de mapear potenciais zonas de
exploração em águas profundas com maior segurança e precisão. Desse modo, as
principais funções dos robôs neste cenário são manutenção, inspeção e reparo dos
equipamentos, principalmente no campo offshore.
2.2.7. Simulação de sistemas
A tecnologia de simulação é responsável pela modelagem computacional de
uma planta industrial ou de parte da operação. O processo de manufatura de um
produto é reproduzido virtualmente, criando o conceito de digital twin (gêmeo digital).
Esses modelos digitalizados permitem, além da identificação prévia de falhas, um
aumento no controle da cadeia de produção e na qualidade dos produtos (CNI
DIGITAL, 2017).
45
Abreu et al. (2017) detalharam que a concepção da simulação de sistemas na
indústria data de 1960, quando o matemático inglês Keith Douglas Tocher criou um
programa capaz de simular o status de operação do maquinário de uma fábrica, que
oscilava entre esperando, ocupado, falha e indisponível. Inicialmente, a linguagem de
programação FORTRAN era predominante na criação desses modelos, apresentando
apenas matrizes ou tabelas. A partir desse momento da história, o desenvolvimento
tecnológico permitiu que entre 1970 e 1990 surgissem os primeiros pacotes de
linguagem, como o System Dynamics, que possibilitaram a simplificação dos
softwares de simulação e consequentemente, uma maior adesão desses sistemas nas
fábricas. Foi então que nos anos 90 os programas de virtualização se popularizaram
e se tornaram importantes ferramentas de planejamento e análise.
Com o avanço nos processos de simulação, várias estratégias foram
formuladas para garantir o sucesso num projeto de virtualização. De Paula (2018)
definiu uma delas em uma metodologia composta de algumas ações básicas: definir,
testar, avaliar, melhorar, implementar e monitorar.
Primeiramente, o problema é formulado para definir a modelagem conceitual,
que considera todos os modelos, soluções e métricas geradas para determinar todas
as variáveis do sistema. Em um segundo momento, se inicia o processo de simulação
baseado nos dados inseridos no programa, sendo que a qualidade da informação
introduzida é fundamental para um resultado consistente. Em seguida, acontece o
estudo do modelo simulado, no qual realiza-se diferentes simulações para encontrar
oportunidades de melhoria. Após todas as etapas cumpridas, o modelo é finalmente
implementado na operação, e a partir daí é de extrema importância o monitoramento
das métricas e da performance do modelo computacional para identificar
oportunidades, garantir a funcionalidade da simulação feita e prevenir falhas.
O uso de metodologias como a descrita acima por De Paula (2018) é essencial
para evitar falhas. Kidam e Herme (2012) já indicavam que 17% dos erros de design
estão relacionados com a apresentação incorreta do layout da planta industrial,
seguido por 16% de erros de análise, como mostrado na Figura 2.11.
46
Fonte: Adaptado de Moran (2016)
Figura 2.11 - Distribuição dos erros de design de simulações
Além da metodologia de criação da simulação do processo, a escolha do
software utilizado para a virtualização da fábrica é de grande importância e varia de
acordo com as necessidades do profissional. Um exemplo muito utilizado nas
indústrias químicas é o Integraph CADWorx, capaz de produzir a digitalização de
plantas 3D inteligentes, como pode ser visto na Figura 2.12. Esse tipo de software
oferece visibilidade em tempo real do processo auxiliando na visualização funcional
da planta e na identificação de otimizações e de riscos à segurança no processo
(MORAN, 2016).
Fonte: Moran (2016)
Figura 2.12 - Layout 3-D de uma planta desenhada com auxílio do software
CADWorx
47
2.2.8. Computação em nuvem
Segundo Mell e Grance (2009), a computação em nuvem é uma tecnologia que
fornece acesso remoto à serviços como armazenamento, conexão em rede,
softwares, aplicativos e dentre outros, através do uso da Internet.
O termo computação em nuvem surgiu pela primeira vez em 1997, em uma
palestra ministrada por Ramnath Chellappa. Já o conceito dessa tecnologia foi
exposto anteriormente, datado há mais de 50 anos e associado ao cientista John
Mccarthy, pioneiro na tecnologia de IA. Observa-se que, ao longo dos anos, a
computação em nuvem evoluiu de forma exponencial, sendo introduzido no mercado
entre os anos de 2006 e 2008 (SKY.ONE, 2018).
De acordo com Microsoft Azure (2018), os serviços prestados de computação
em nuvem se dividem em 3 categorias, sendo elas IaaS (infraestrutura como serviço,
do inglês Infrastructure as a Service), PaaS (plataforma como serviço, do inglês
Platform as a Service) e SaaS (software como serviço, do inglês Software as a
Service). Na Tabela 2.2, apresenta-se a definição de cada categoria, além de suas
principais aplicações e vantagens.
Tabela 2.2 - Descrição, aplicações e vantagens dos diferentes serviços da
computação em nuvem
Categorias Descrição Aplicações Vantagens
IaaS Infraestrutura computacional
(geralmente em ambientes
virtualizados) como um serviço. Por
exemplo, ao invés do usuário comprar
servidores, ele terceiriza o serviço
dentro de um data center proporcional
às suas necessidades de
infraestrutura e tem acesso integral à
plataforma e ao software.
Armazenamento, backup e
recuperação
Aplicativos Web
Análise de Big Data
Elimina custos de capitais e
reduz custos contínuos
Mais segurança
PaaS Serviços que fornecem um ambiente
sob demanda para desenvolvimento,
teste, fornecimento e gerenciamento
de aplicativos de software. Por
exemplo, desenvolvedores podem
criar aplicativos móveis ou Web
rapidamente, sem se preocuparem
com os requisitos necessários para o
seu desenvolvimento.
Estrutura de desenvolvimento
Análise ou Business
Intelligence (BI)
Desenvolvimento simplificado
para diversas plataformas
Reduz o tempo de codificação
48
SaaS Fornecer aplicativos de software pela
Internet, sob demanda e,
normalmente, em uma base de
assinaturas. Alguns exemplos são
email, calendário e ferramentas do
Office (como Microsoft Office 365).
Email, CRM e ERP Acesso a aplicativos
sofisticados
Redução de custo
Uso de software cliente
gratuito
Acesso de dados de
aplicativos de qualquer lugar
Fonte: Adaptado de Microsoft Azure (2018)
Além das aplicações listadas na Tabela 2.2, a computação em nuvem,
juntamente com a IoT e outras tecnologias presentes na Indústria 4.0, permitem a
criação de um novo modelo industrial conhecido como cloud manufacturing, definido
como o fornecimento de competências técnicas e recursos empregados na
manufatura em formato de serviços, com o intuito de integrar toda a cadeia de
fabricação e até mesmo stakeholders. Um exemplo apontado é o compartilhamento
de serviços de manufatura, como simulação e manutenção dos equipamentos, entre
diferentes pessoas e empresas por meio de uma plataforma virtual construída a partir
da computação em nuvem. A Figura 2.13 ilustra a relação entre a computação em
nuvem e a cloud manufacturing, apresentando os diferentes serviços que compõem o
modelo (TAO et al., 2011).
Fonte: Adaptado de Tao et al. (2011)
Figura 2.13 - Relação entre a computação em nuvem e a cloud manufacturing
Dentro da computação em nuvem, existem 3 diferentes tipos de nuvem que
podem ser escolhidas de acordo com as necessidades do negócio, sendo elas:
49
● Nuvem pública: modelo mais utilizado pelas empresas, no qual o serviço
oferecido é alojado em uma rede aberta para uso público, sendo os recursos de
cada usuário compartilhados com o auxílio de dispositivos de controle, como
máquinas virtuais. Algumas vantagens desse modelo são menor custo
operacional, simplificação dos processos e maior capacidade de atender
diferentes demandas com um menor tempo de resposta.
● Nuvem privada: neste modelo, os serviços são alocados em uma
infraestrutura paga e monitorada por uma empresa, que é responsável pela
manutenção integral dos seus serviços. Essa nuvem é comumente utilizada por
empresas que precisam executar um maior controle de seus recursos de TI,
principalmente relacionado à segurança de suas operações. Assim, suas
principais vantagens são maior nível de confiabilidade e alta escalabilidade.
● Nuvem híbrida: modelo que combina características da nuvem pública e
privada, visando extrair o melhor de ambos conforme as necessidades de cada
empresa. Suas principais vantagens para o negócio são maior flexibilidade e
versatilidade operacional e menor custo com TI (SONDA, 2017).
Ottewell (2018) destacou que a computação em nuvem vem contribuindo de
forma significativa para o desenvolvimento da indústria química. Por exemplo, a
multinacional BASF criou uma plataforma em nuvem para auxiliar seus clientes na
identificação do produto químico adequado à suas necessidades. A plataforma
oferece dados sobre dispersões e aditivos, como níveis de pH e viscosidade,
permitindo um vínculo maior com seus clientes em um ecossistema digital. Além disso,
a empresa Dow Chemical economizou mais de $85 milhões em sua cadeia de
produção devido a maior visibilidade dos seus processos proporcionado pelos
serviços oferecidos pela computação em nuvem.
2.2.9. Cibersegurança
A popularização do comércio de serviços e produtos através da rede multiplicou
o número de ataques cibernéticos, desafiando diariamente os profissionais de TI a
utilizarem ferramentas que impeçam a invasão de redes e de hardwares. No ambiente
da planta industrial, mesmo com o uso da automação durante o processo de produção,
50
esse impasse ainda não era uma preocupação para os profissionais de TO, visto que
os dados utilizados na operação eram locais e nos dispositivos.
Contudo, duas das principais características da Indústria 4.0, a integração
vertical e a horizontal, expõem os sistemas da fábrica à brechas na segurança em
razão da necessidade do uso da rede para a integração da planta industrial. Essas
falhas ocorrem no momento da comunicação entre os processos, no qual os dados
são transmitidos desde sistemas de nível de fábrica (sensores e atuadores) até ao
nível de negócio (ferramentas de BI). Essa transmissão é realizada por protocolos de
comunicação entre dispositivos de uma rede, como o protocolo internet ou IP (do
inglês, Internet Protocol) ou por protocolo de controle de transmissão ou TCP (do
inglês, Transmission Control Protocol).
Como consequência desses erros de segurança, a fábrica inteligente não está
suscetível apenas a ataques que promovem perdas ou alterações de dados como na
área de TI, mas também à interferências no mundo físico, podendo afetar o ambiente
e as pessoas nele presente e agravando os efeitos de um ataque cibernético na
indústria 4.0 (VENTURELLI, 2018).
Para evitar essas invasões e seus impactos, Chhetri et al. (2018) afirmaram
que uma planta industrial deve conter ferramentas em seus sistemas de segurança
que sejam capazes de detectar riscos, proteger a infraestrutura da rede, identificar
eventos incomuns, reagir à ataques e promover a recuperação do sistema caso este
tenha sido hackeado. Para tanto, foi apresentado três fundamentos para garantir a
segurança desse novo modelo de indústria, a confidencialidade, a integridade e a
disponibilidade.
O primeiro consiste na preservação do sigilo da informação por toda cadeia de
valor, mantendo protegidos os dados de clientes, de propriedade intelectual da
indústria, entre outros. O segundo direciona-se ao compromisso da conservação da
consistência, confiabilidade e precisão das informações, visto que a integração entre
TI e TO presente na indústria 4.0 provoca um aumento na fragilidade da rede. O último
trata-se da proteção que as ferramentas de segurança devem conferir ao
funcionamento dos dispositivos, evitando a desativação dos componentes e a
desestabilização do sistema.
A Tabela 2.3 apresenta alguns dos desafios que as tecnologias de segurança,
como softwares de controle de acesso e monitoramento do sistema, devem superar a
partir da integração entre os equipamentos e a rede.
51
Tabela 2.3 - Desafios da cibersegurança na Indústria 4.0
Tecnologia Desafios
Internet das coisas Devido ao uso da internet, possui as falhas intrínsecas à rede, como
no controle de autenticação e acesso, privacidade e
confidencialidade.
CPS Com o objetivo de aumentar a produtividade, os sistemas de
monitoramento são conectados à internet através de protocolos
TCP/IP. Estes trazem vulnerabilidades que o CPS pode não ter
proteção.
Realidade Aumentada Está relacionada ao roubo de dados confidenciais de usuários ou da
indústria, principalmente através de ataques à câmeras.
Manufatura Aditiva Está diretamente relacionada aos fundamentos da segurança, e
afeta principalmente assuntos de propriedade intelectual e
integridade dos materiais.
Big Data e Analytics O grande volume de dados gera falhas de segurança inerentes à
essa absorção de informações, como no armazenamento e no
controle de acesso aos dados.
Robôs automatizados Como são formados de diversos componentes, como atuadores,
sensores e softwares, possuem falhas individuais e como um todo,
além da possibilidade de serem afetados por manipulações em
sensores.
Simulação de sistemas As principais falhas de segurança são relativas ao controle de
acesso e o risco de perda de dados.
Computação em nuvem A nuvem possui vulnerabilidades associadas à perda de dados,
invasão de contas e a desativação de serviços por ataques hackers.
Fonte: Adaptado de Chhetri et al. (2018)
2.3. Digitalização da Indústria Química
A indústria química possui grande potencial para absorver as tecnologias
apresentadas ao longo deste capítulo. Após a industrialização e a indústria à base de
carvão (Indústria Química 1.0), o surgimento da petroquímica (Indústria Química 2.0)
e o fenômeno da globalização e da especialização dos produtos químicos (Indústria
Química 3.0), a indústria química está inserida em um novo contexto, conhecido como
Indústria Química 4.0, caracterizado pela digitalização de seus processos e no
desenvolvimento de sistemas mais sustentáveis e integrados ao longo de toda sua
cadeia de produção (Tabela 2.4).
52
Tabela 2.4 – Transição da Indústria Química 3.0 para Indústria Química 4.0
Indústria Química 3.0
Globalização & Especialização
Indústria Química 4.0
Digitalização
Impulsionadores da
transformação
Fenômeno da globalização, maior
concorrência da indústria química à
base de gás.
Revolução digital, sustentabilidade,
protenção climática.
Matéria-prima Aumento do uso de matérias-primas
renováveis e gás natural.
Uso intensivo de dados, H2 de
energias renováveis em combinação
com CO2 na produção de produtos
químicos básicos.
Tecnologia Novos processos de síntese e produção
através de biotecnologia e tecnologia
genética.
Digitalização e padronização da
linguagem dos processos e
operações.
Pesquisa Estreita cooperação entre pesquisas
universitárias e pesquisa orientada para
aplicações em empresas.
Descentralização de P&D (Pesquisa e
Desenvolvimento), utilização de Big
Data.
Estrutura
corporativa
Internacionalização do comércio e
produção no exterior, criação de
parques químicos.
Cooperação mais flexível com seus
stakeholders, modelos de negócios
digitais, maior integração entre seus
departamentos.
Produtos Produtos químicos especializados
orientados para requisitos específicos
do cliente, novos medicamentos,
substituição de materiais tradicionais por
produtos químicos.
Expansão do espectro da criação de
valor: o setor químico torna-se um
fornecedor de soluções extensivas e
sustentáveis para os clientes e o meio
ambiente.
Meio ambiente,
Saúde e Segurança
Proteção ambiental integrada à
produção, aumento da segurança do
produto por meio de uma revisão
ampliada das propriedades do material.
A sustentabilidade torna-se um
modelo abrangente e um conceito
inerente à indústria.
Fonte: Adaptado de Deloitte (2018)
Neste contexto, Klei et al. (2017) destacaram três principais impactos das
tecnologias da Indústria 4.0 na indústria química, sendo eles:
• Aumento de desempenho na manufatura, marketing, vendas e P&D: a
interpretação dos dados em tempo real fornece às indústrias maior rendimento
do processo, menor consumo de energia e uma manutenção mais assertiva.
Resultados expressivos já foram observados em plantas químicas ao redor do
mundo, como aumento de 10% na produção (sem nenhum investimento em
capital), redução de 25% do custo através da eliminação do vapor de alta
53
pressão da planta e redução de 26% no consumo de energia. Além disso, a
digitalização nos departamentos de marketing e vendas auxilia na precificação
dos produtos e no monitoramento dos clientes de forma mais personalizada,
promovendo um aumento de 3 a 5% no ROS (Return on Sales – Retorno das
vendas). Já na área de P&D, identifica-se o desenvolvimento de novos
produtos químicos através de ferramentas de análises estatísticas e da
utilização de MC na simulação de experimentos, além da maior capacidade
preditiva no desenvolvimento de formulações.
• Adaptação às novas exigências dos clientes: da mesma forma que a
indústria química passa por uma transformação digital, seus clientes também
seguem o mesmo caminho. Por exemplo, o setor agrícola está cada vez mais
inserido neste contexto digital, onde o uso de imagens de satélites, dados
meteorológicos e geológicos e informações sobre sementes são integrados a
fim de otimizar a aplicação de pesticidas e fertilizantes, levando a uma redução
significativa na demanda por estes produtos químicos. Dessa forma, as
indústrias químicas que fabricam estes produtos devem buscar alternativas
como o maior investimento em P&D a fim de produzir produtos mais eficazes e
rentáveis.
• Modelos de negócios associados ao desempenho do produto após sua
venda: o monitoramento do desempenho do produto vendido enquanto é
utilizado pelos clientes promove novos modelos de negócios. Por exemplo,
algumas empresas fabricantes de catalisadores estão utilizando o modelo de
pagamento atrelado ao desempenho real do equipamento e não ao produto em
si, viabilizado pelo controle de sua performance em tempo real, levando a
produção de catalisadores mais otimizados e personalizados às necessidades
dos clientes.
Além disso, segundo Deloitte (2018), estas tecnologias impactam de forma
significativa a eficiência de toda a cadeia produtiva, variando de acordo com o
segmento da indústria química. A Figura 2.14 ilustra o ganho máximo de eficiência
esperado em diferentes áreas de uma empresa, observando que em indústrias que
fornecem máteria-prima (por exemplo, energia) como petroquímicas, a manufatura é
o estágio com maior ganho. Por outro lado, nas indústrias que possuem maior
54
interface com os clientes (por exemplo, indústria farmacêutica), nota-se um ganho
maior de eficiência nos departamentos de vendas, marketing e administrativos.
Fonte: Adaptado de Deloitte (2018)
Figura 2.14 – Ganho de eficiência esperada na indústria química pelo uso das
tecnologias da Indústria 4.0
Neste cenário, o Engenheiro Químico deve estar atualizado e habituado com
as tecnologias da Indústria 4.0, garantindo processos químicos mais eficientes,
rentáveis, sustentáveis e seguros.
55
CAPÍTULO 3
3. IMPACTO DA TRANSFORMAÇÃO DIGITAL NA ENGENHARIA QUÍMICA
3.1. Contexto
A implementação da fábrica inteligente traz impactos inerentes a qualquer
inserção de inovação tecnológica. Na indústria química, as mudanças decorrentes da
aplicação das tecnologias já apresentadas, impacta diretamente na aprendizagem e
atualização do conhecimento técnico para garantir a total comunicação dos sistemas
e funcionalidade das tecnologias. Dessa forma, tanto o estudante quanto o profissional
de Engenharia Química devem se qualificar, principalmente, em relação ao
conhecimento das ferramentas, à análise gerencial dos indicadores de desempenho,
e ao desenvolvimento de habilidades computacionais.
3.2. Âmbito acadêmico
Antes de entrar no mercado de trabalho, as universidades desempenham um
papel fundamental na capacitação dos estudantes, contribuindo no desenvolvimento
de mão-de obra qualificada para os novos modelos industriais formulados. Dessa
forma, observa-se que mudanças devem ser realizadas para adaptar o ensino da
Engenharia Química ao novo conceito da Indústria 4.0. Entretanto, de acordo com os
resultados do questionário do apêndice A, aproximadamente 70% dos estudantes
acreditam que as universidades não estão se adequando a esse novo contexto, indo
em desencontro às necessidades do mercado.
Assim, ações por parte das universidades, como a implantação de laboratórios
e centros de pesquisa que permitam ao aluno acesso às inovações tecnológicas e a
modernização das disciplinas, podem ser decisivas para a melhor preparação dos
alunos. Como exemplo para esses cenários, a USP - Universidade São Paulo criou
uma Central Multiusuário em Manufatura Avançada em Internet das Coisas, que foi
disponibilizada para toda a comunidade científica e apresenta equipamentos de última
geração que visam a utilização da IoT como instrumento de desenvolvimento
sustentável (FAPESP, 2018).
56
Além disso, sugere-se como exemplo de modernização das disciplinas, um
maior destaque para as disciplinas que abordam linguagens de programação e a
implementação de uma nova disciplina optativa, que irá apresentar os principais
conteúdos que abrangem a Indústria 4.0, além das suas aplicações nos processos e
operações que circundam o Engenheiro Químico. A título de exemplo, apresenta-se a
ementa sugerida para a matéria “Introdução à Indústria 4.0”, como ilustrado na Figura
B.1 que se encontra no Apêndice B.
3.3. Âmbito profissional
A Indústria 4.0 exige um novo perfil profissional do Engenheiro Químico, visto
que as ferramentas utilizadas requerem novos conhecimentos, como em habilidades
computacionais mais específicas, e a ampliação dos atuais escopos de trabalho.
Uma das áreas de atuação que sofrerá maior impacto é na Engenharia de
Processo, no qual o controle complexo das variáveis passará a conter resultados do
monitoramento em tempo real de toda a operação, refletindo diretamente nas análises
e decisões do engenheiro. Neste caso, o conhecimento em linguagem de
programação, como Python, será essencial para a completa utilização de tecnologias
como Big Data, Computação em nuvem e Simulação, que irão auxiliar no
sensoriamento integrado das malhas de controle, na análise de indicadores de
performance, na manutenção preditiva do processo e na identificação de otimizações
ao longo das operações.
Dessa forma, a especialização do Engenheiro Químico através de cursos,
como Pós-Graduação, que apresentem um conteúdo programático voltado para o
contexto da Indústria 4.0 se torna uma alternativa viável para o preparo da construção
do novo perfil profissional exigido. Além disso, cursos específicos de linguagens de
programação (Python, C++, Delphi, etc...) e softwares podem ser boas oportunidades
para uma adaptação mais rápida ao novo modelo de fábrica inteligente. Na tabela 3.1,
encontra-se alguns exemplos de softwares.
57
Tabela 3.1 – Exemplos de softwares
Empresa Link
BAR http://bar.utoronto.ca/
MicroStrategy http://www.microstrategy.com/br/
Jigsaw http://www.cc.gatech.edu/gvu/ii/jigsaw/
Birst http://www.birst.com/
QLIK http://www.qlik.com/
Thoughtspot http://www.thoughtspot.com/
SAS http://www.sas.com/
Japersoft http://www.jaspersoft.com/
Spotfire http://spotfire.tibco.com/
In-spire http://in-spire.pnnl.gov/
POWER BI http://powerbi.microsoft.com/pt-br/
Palantir http://www.palantir.com/
IBM http://www.ibm.com/software/data/bigdata/
ADVIZOR http://www.advizorsolutions.com/
Salesforce http://www.salesforce.com/
Board http://www.board.com/en/about-us/
Clearstory http://www.clearstorydata.com/
Centrifuge http://centrifugesystems.com/
SiSense http://www.sisense.com/
NetCHARTS http://www.visualmining.com/
Alteryx http://www.alteryx.com/
XHQ (Siemens) http://w3.siemens.com/mcms/automation/en/automation-
systems/automation-software/xhq-operations-intelligence-
software/pages/xhq-operations-intelligence-software.aspx
PI Vision (OSIsoft) http://www.osisoft.com/pi-system/pi-capabilities/pi-system-
LeanWare http://leanware.fi/
JMP http://www.jmp.com/
Tableau http://www.tableau.com/
Fonte: Almeida e Park (2017)
58
CAPÍTULO 4
4. ESTUDO DE CASO
4.1. Contexto
Nos últimos anos, observou-se uma crescente preocupação global da grande
dependência do uso do petróleo e seus derivados, sua possibilidade de escassez e
do aumento da temperatura terrestre devido à influência dos gases do efeito estufa
(GEE). Por esse motivo, a busca por fontes renováveis tornou-se prioridade nas
discussões globais, sendo o Brasil responsável por difundir e implementar modelos
sustentáveis e alinhados com as expectativas do mercado estrangeiro. Nesse
contexto, o etanol produzido a partir da cana-de-açúcar tem sido indicado como uma
fonte mais limpa e alternativa de energia, apresentando vantagens como menor
emissão de dióxido de carbono se comparado com outros combustíveis fósseis como
a gasolina (ALKIMIM e CLARKE, 2018).
De acordo com Brinkman et al. (2018), o Brasil é o maior produtor de cana-de-
açúcar do mundo, sendo o seu cultivo datado há séculos. A utilização dessa matéria
prima na produção do etanol começou em 1975, através de um incentivo do governo
federal pelo programa Proálcool, no qual estimulava o cultivo da cana-de-açúcar na
produção de combustível com o intuito de reduzir o volume de importação do petróleo.
Como exemplificação, Alkimim e Clarke (2018) destacaram a substituição do
combustível derivado do petróleo como gasolina pelo etanol em diferentes meios de
transporte, como carros e caminhões.
Segundo novaCana.com (2016), o Brasil é um dos países-chave no alcance do
compromisso firmado durante a 21ª Conferência das Nações Unidas sobre Mudança
do Clima (COP21), que é um avanço significativo na produção de etanol nos próximos
anos, chegando a uma produção de 50 bilhões de litros no ano de 2030 (Figura 4.1).
Dessa forma, as usinas de etanol brasileiras estão buscando meios de atender tanto
às expectativas do mercado como do governo brasileiro, sendo a digitalização dos
processos e da produção através da implementação de tecnologias inerentes à
Indústria 4.0 uma alternativa encontrada por algumas usinas presentes no Brasil.
59
Fonte: Adaptado de novaCana.com (2016)
Figura 4.1 - Projeção da produção de etanol até 2030
Neste capítulo, será abordado a transformação da usina fictícia Ethan LS, uma
indústria tradicional brasileira de produção de etanol, em uma fábrica inteligente,
introduzindo-a no conceito da Indústria 4.0. Para tanto, criou-se situações hipotéticas
para auxiliar na identificação de oportunidades de aplicação das tecnologias
detalhadas no capítulo 2, além da apresentação dos principais resultados derivados
da transformação digital.
4.2. Descrição
A Usina Ethan LS é uma destilaria autônoma (produtora apenas de etanol) de
grande porte situada em São Paulo, estado com maior produção de etanol no Brasil.
Devido aos incentivos fornecidos à produção de biocombustível, como a aprovação
do programa RenovaBio2 no final de 2017, e ao crescimento do número de carros flex
no Brasil, a Ethan LS notou a oportunidade de investir na modernização tecnológica
dos seus processos e instalações ao longo de toda a cadeia de suprimentos, através
das tecnologias base da Indústria 4.0. O objetivo seria criar um meio industrial em que
os equipamentos, dispositivos, informações e pessoas possam interagir no ambiente
físico e virtual, a fim reduzir os custos e aumentar a produtividade das suas operações
2 “O RenovaBio é uma política de Estado que objetiva traçar uma estratégia conjunta para reconhecer o papel
estratégico de todos os tipos de biocombustíveis na matriz energética brasileira, tanto para a segurança energética
quanto para mitigação de redução de emissões de gases causadores do efeito estufa” (MME, 2018).
60
num período de médio a longo prazo, focando também na responsabilidade ambiental
e social.
A empresa fictícia atualmente processa uma média de 2,5 milhões de toneladas
de cana-de-açúcar por ano, produzindo cerca de 175.000 m3 de álcool/ano, depende
de outras empresas para o fornecimento da matéria-prima. Apresentando uma receita
atual de aproximadamente R$57 milhões e um custo atual de cerca de R$36 milhões,
a liderança planeja ter um crescimento de 15% na receita e uma redução total de 16%
do custo ao final de 1 ano após a digitalização dos seus processos. Vale destacar que
essas variações se baseiam apenas nos resultados atuais da empresa,
desconsiderando os custos de implementação das tecnologias.
Como ponto de partida do projeto, a Ethan LS dividiu a cadeia produtiva do
etanol, desde a etapa de fornecimento da cana-de-açúcar até a logística de
distribuição do etanol para os clientes, a fim de facilitar a identificação dos pontos de
melhoria e implementação das tecnologias, como ilustrado na Figura 4.2.
Fonte: Autores
Figura 4.2 - Cadeia de suprimento do etanol
Ao longo de toda a cadeia produtiva apresentada acima, todos os serviços e
processos, tanto do meio físico como virtual, devem ser integrados à um único
sistema, o denominado CPS, pois este é a base que permite a conexão e
comunicação das tecnologias da Indústria 4.0 (Figura 4.3). Para que essa integração
ocorra, os componentes do meio físico, como equipamentos e dispositivos da usina,
devem ser acoplados a sensores inteligentes que alimentam a Big Data através da
IoT, a fim de viabilizar a comunicação com o ambiente virtual.
61
Fonte: Autores
Figura 4.3 - Configuração do CPS na Ethan LS
Como demonstrado na Figura 4.3, o modelo virtual escolhido pela Ethan LS foi
a Computação em nuvem, já que esta tecnologia é uma peça fundamental da
arquitetura do CPS, combinando dados na Big Data de toda a cadeia produtiva em
tempo real, viabilizando a implementação das outras tecnologias, que serão
abordadas ao longo deste capítulo.
4.2.1. Fornecimento de insumos
4.2.1.1. Planejamento
Antes de iniciar o planejamento, é fundamental saber qual a demanda e o
histórico de vendas do etanol fornecido pelo departamento de vendas da empresa. Na
Ethan LS, a maioria dos pedidos realizados pelos seus clientes eram computados em
um software desenvolvido pela equipe interna de TI, que já não atendia a volatilidade
das informações, gerando falhas no planejamento. Observava-se um elevado custo
associado à sua manutenção e monitoramento, principalmente na proteção dos seus
dados. Nesse contexto, uma solução encontrada pela Ethan LS foi a substituição
desse software pelo ERP integrado à nuvem (SaaS), onde toda a responsabilidade de
gerenciar a infraestrutura do sistema foi transferida para uma empresa terceirizada.
Após a ordem de venda ser processada no ERP, o time de planejamento pode
acessá-la a fim de avaliar quanto de insumo seria necessário, levando em
62
consideração o estoque de insumos já existente e o consumo de etanol em tempo
real, eliminando assim desperdícios ao longo da cadeia. A Ethan LS possui uma
equipe de planejamento para cada diferente cenário, sendo dividido em curto, médio
e longo prazo. Até o momento da implementação da nuvem, essas equipes não
estavam completamente integradas entre si e com outros departamentos da empresa
fictícia, criando um fluxo isolado de demanda e gerando um excesso indesejado de
inventário.
Além da integração limitada entre os departamentos da Ethan LS antes da
nuvem, outros desafios como mudança repentina na demanda e a falta de matéria-
prima devido à eventos indesejados prejudicavam o planejamento dos insumos.
Dessa forma, em conjunto com o ERP, a Ethan LS decidiu implementar a Big Data,
associando em um único banco de dados informações internas (por exemplo,
marketing e finanças) com informações externas (por exemplo, de relatórios
meteorológicos), a fim de obter uma previsão da demanda em tempo real, auxiliando
principalmente a equipe de planejamento de curto prazo.
4.2.1.2. Compra
Após a etapa de planejamento de materiais, a equipe de Compras pôde
identificar as demandas através do ERP para iniciar o processo de compra da
quantidade adequada de cana-de-açúcar e insumos. Até o momento, o contato com
o fornecedor é feito isoladamente, não existindo um sistema de comunicação
transparente e integrado entre a Ethan LS e seus fornecedores. Em decorrência disso,
observou-se no passado problemas como falta de insumos para atender uma
demanda projetada.
A partir disso, foi apontada como uma solução para evitar essas perturbações
no processo a implementação de uma plataforma em nuvem (PaaS) para realizar a
interface com todos os fornecedores da empresa. Com a aplicação dessa ferramenta,
as necessidades de compra se tornaram mais transparentes, sendo possível o
direcionamento imediato para um fornecedor alternativo caso a primeira opção não
atenda a demanda programada.
Além disso, foi possível obter uma base de dados única, utilizando a Big Data,
a partir dos dados compartilhados na plataforma. Assim, com o auxílio de ferramentas
de Business Intelligence (BI), é possível realizar diferentes análises das informações
63
para desenhar um perfil de cada fornecedor, baseando-se em métricas como tempo
de entrega, custos e evolução dos preços dos insumos, que são atualizadas em tempo
real. Estas informações irão influenciar também no planejamento de armazenamento
dos insumos, planejando a melhor época para compras, produção e estocagem dos
produtos.
4.2.2. Armazenagem de insumos
A partir da compra dos insumos necessários para a fabricação do etanol, parte
da matéria-prima que chega na Ethan LS (cana-de-açúcar) fica armazenada no pátio
da empresa e a outra parte (insumos da fermentação) ficam estocadas sob condições
adequadas de armazenamento, iniciando assim a operação da usina.
O fluxo de processamento da cana-de-açúcar começa com sua pesagem e
amostragem, seguindo até a alimentação das moendas. Durante esse processo,
alguns funcionários relataram que, em muitas situações, uma parcela da cana que
estava na fila para moagem se deteriorou pelo excesso de tempo de armazenagem
no pátio, inviabilizando sua utilização e assim, gerando desperdício.
Dessa forma, identificou-se uma solução, através do ERP, para evitar a perda
de matéria-prima e otimizar a gestão de estoque. Primeiramente, os valores da
pesagem da carga de cana-de-açúcar devem ser registrados na nuvem, identificando
quanto de material entrou no estoque da usina. Em um segundo momento, a
quantidade de cana-de-açúcar que entrar no processo de moagem também deve ser
registrada na nuvem, indicando quanto de material foi consumido. Assim, a equipe de
planejamento terá visibilidade do saldo de cana que está em trânsito no pátio da usina,
auxiliando no ajuste da demanda projetada para a operação, no controle do fluxo de
cana até a moagem e na otimização da etapa de produção do etanol, evitando os
desperdícios identificados.
4.2.3. Produção de etanol
Após a compra e armazenagem dos insumos, a produção de etanol é iniciada
na moenda. Para auxiliar na identificação dos pontos de melhoria ao longo da
produção, o Engenheiro Químico responsável pelo processo foi indicado de forma
hipotética para assessorar nesta ação.
64
Uma das primeiras ações tomadas pelo Engenheiro foi solicitar a substituição
de todos os sensores já existentes por sensores inteligentes, já que todo controle de
parâmetros era realizado através de uma malha de controle convencional,
caracterizada por uma capacidade limitada de diagnóstico, baixa qualidade do
controle das variáveis e tempo excessivo revertido no reparo de toda infraestrutura
devido à ocasionais danos no cabeamento.
Com a malha de controle inteligente, a usina obteve uma arquitetura mais
integrada entre seus sistemas, viabilizada pela rede IoT wireless. Dessa maneira, os
dados coletados pelos sensores podem ser transmitidos e armazenados em tempo
real, via IoT, na Big Data alojada na nuvem, permitindo que o controle associado à
automação das malhas seja resultado da análise de todas as variáveis da fábrica, e
não somente de parâmetros pré-determinados para cada equipamento. Como
resultado, notou-se uma redução considerável no tempo de paradas de reparo.
A Figura 4.4 representa as etapas envolvidas na produção de etanol, sendo
elas: moagem da cana, tratamento químico do caldo, fermentação do mosto,
centrifugação para recuperação da levedura, geração de etanol hidratado pelo
processo de destilação e desidratação do mesmo para produção de etanol anidro.
Fonte: Autores
Figura 4.4 - Fluxograma de processo da produção de etanol
A moagem da cana por meio da moenda, equipamento destinado ao processo
de extração do caldo da cana-de-açúcar, é a primeira e mais importante etapa de
produção de etanol. A qualidade do maquinário da moenda de cana é crucial para a
eficiência do processo produtivo de etanol como um todo. Assim, a fim de garantir a
65
excelente relação entre a quantidade de biomassa que entra na usina e o etanol
obtido, é fundamental que se realize a manutenção deste equipamento.
Uma das principais técnicas de manutenção utilizada pela Ethan LS é a
aplicação de solda de chapisco, que oferece benefícios como melhoria da pega e
maior preservação da integridade dos frisos da moenda com relação ao desgaste. Até
o momento da transformação digital da usina, o profissional conhecido como
“chapiscador” era o responsável pela soldagem das moendas. Devido à agressividade
e periculosidade que essa atividade proporcionava, como altos riscos à mutilações e
contato direto com substâncias tóxicas que traziam consequências à saúde como
disfunção pulmonar e pneumoconiose, o Engenheiro decidiu investir em tecnologias
que mitigassem os riscos envolvidos nesta atividade. Uma solução encontrada foi o
emprego de um robô na soldagem de chapisco que utiliza o eletrodo como consumível
(Figura 4.5), realocando estes “chapiscadores” para outras funções com menor
periculosidade, como na recuperação de faca, martelo e troca de pente da moenda.
Fonte: Duo Automation (2017)
Figura 4.5 – Robô de Chapisco com eletrodo na manutenção de moendas
Esse robô trabalha de forma automatizada, resultando em uma baixa
intervenção humana durante a manutenção. Além disso, tanto a moenda como o robô
possuem sensores inteligentes, possibilitando uma manutenção preditiva da máquina,
já que o sensor da moenda envia seu estado como desgaste ou degradação de sua
superfície para a nuvem onde ocorre a simulação dos dados em tempo real, enviando
para o atuador do robô o comando para executar a soldagem de forma antecipada.
66
Após a etapa de moagem da cana, o caldo prossegue para a etapa de
tratamento químico, que se refere a eliminação de impurezas que interferem na
qualidade do etanol (cor, resíduos insolúveis, etc.). O mosto preparado nesta etapa é
direcionado para o fermentador, onde ocorre a adição da levedura para promover a
fermentação. Tanto no tratamento químico como na fermentação, torna-se necessária
a medição e o controle de parâmetros como pH, temperatura e pressão, já que
garantem a qualidade do processo e evitam problemas na centrifugação do vinho
(produto de saída do fermentador) e na destilação. Dessa forma, como resultado da
visão do Engenheiro em substituir todas as malhas existentes por malhas inteligentes,
os equipamentos presentes no tratamento químico e o fermentador adquiriram a
capacidade de se auto ajustar nas condições ótimas de cada parâmetro, aumentando
significativamente o rendimento do processo.
Especificamente no tratamento químico, o modelo de controle de
contaminantes se baseava na coleta de amostras, onde eram levadas aos laboratórios
de análise e, após 24h, era possível identificar o nível de contaminantes. Durante o
período de análise, a empresa não tinha condições de saber quantitativamente a
correção necessária, perdendo assim eficiência energética da operação. Desse modo,
com a utilização de malhas inteligentes, uma ação corretiva poderia ser empregada
de forma instantânea e até mesmo preditiva, resultando em uma produção mais eficaz
e com maior qualidade.
Além do controle mais preciso dos parâmetros do fermentador pela malha
inteligente, o Engenheiro identificou outra oportunidade de melhoria nesta etapa. Na
Ethan LS, a fermentação é realizada em batelada devido à disposição do espaço físico
da sua unidade e às características da matéria-prima utilizada. Como nos
fermentadores em batelada os dados coletados estão sujeitos a variação de uma
carga para outra, o Engenheiro empregou a técnica de Data Mining, a fim de identificar
e estruturar um padrão para esses dados, resultando em informações mais
consistentes e assertivas para as análises de performance.
Ao completar a digitalização dos equipamentos e dispositivos, o próximo passo
da Ethan LS foi a implementação de um software de simulação para virtualizar o
ambiente fabril da usina, criando o gêmeo digital. A princípio, o Engenheiro explicou
que diariamente são realizadas diversas análises à nível operacional e tático antes da
tomada decisões técnicas. A partir disso, definiu-se uma modelagem combinando as
variáveis de produção e qualidade, como teor alcoólico do vinho (%GL) e tempo de
67
fermentação (hora), e os algoritmos inteligentes presentes no software para obter a
estrutura digital idêntica à fábrica real existente. Dessa forma, integrou-se o software
à nuvem para este capturar os dados da operação armazenados em tempo real,
possibilitando que o engenheiro simule testes e preveja resultados mais assertivos,
aumentando a garantia de melhores decisões.
Além disso, como os dados estão sendo coletados a todo momento, o
engenheiro pode acompanhar através do software todas as operações da usina em
tempo real, possibilitando a identificação de otimizações e a manutenção preditiva dos
processos através do ajuste de variáveis antes que falhas ou erros ocorram, como a
contaminação do mosto.
A partir da implementação das novas tecnologias, uma etapa essencial para
garantir o aproveitamento total de suas funcionalidades e uma adaptação mais rápida
da sua utilização é o treinamento e capacitação dos funcionários da usina. Para
melhoria dessas atividades, a Ethan LS decidiu pela implementação de um óculos de
realidade aumentada para que, por meio da simulação de um cenário virtual das
situações reais da usina, pudesse obter capacitações mais práticas e interativas.
Aproveitando a implementação do óculos e pensando na segurança dos operários, o
engenheiro sugeriu que o treinamento para manutenção das moendas também fosse
realizado com a ajuda da realidade aumentada, em razão da operação possuir alta
periculosidade, dessa forma, os funcionários teriam o treinamento de forma prática e
segura.
4.2.4. Armazenagem do etanol
Finalizada a etapa de produção, o etanol fabricado segue para o armazém,
onde abastece os tanques de armazenamento. O controle de estoque do etanol é uma
etapa crucial para a Ethan LS, já que impacta diretamente várias atividades e setores
da empresa fictícia — desde a produção até o planejamento dos insumos. A falta de
um controle adequado do estoque pode representar um menor volume de vendas,
além de gerar prejuízos consideráveis.
Além disso, torna-se fundamental o controle do etanol produzido no fim da safra
da cana, já que esta é uma variável importante para a análise da capacidade de
suprimento na entressafra e o estoque necessário nas vésperas da nova colheita,
indicando um equilíbrio entre a empresa e seus clientes e fornecedores.
68
Dessa forma, com a estratégia do Engenheiro em utilizar malhas de controle
inteligentes, é possível fazer uma medição e controle do nível de etanol nos tanques
de armazenamento, coletando as informações através dos sensores e enviando
diretamente para a nuvem. Assim, torna-se viável uma análise mais precisa da
quantidade de etanol disponível, facilitando a gestão do estoque e evitando problemas
de abastecimento na entressafra e nas proximidades da nova colheita.
4.2.5. Logística de distribuição
A etapa de logística de distribuição se refere ao transporte do etanol produzido
na usina às distribuidoras, que são responsáveis por abastecer os postos de
combustíveis em todo território nacional. Antes do projeto de digitalizar a usina, a
Ethan LS utilizava GPS em sua frota de caminhão a fim de rastrear de forma
instantânea a localização de cada veículo. Entretanto, este sistema apresentava
algumas limitações, como bloqueio do sinal em certas áreas como túneis e baixa
conectividade com outros terminais da usina, dificultando a rápida tomada de
decisões.
Dessa forma, uma solução encontrada pela Ethan LS foi a implantação de
etiquetas RFID em sua frota para facilitar o gerenciamento da logística como um todo.
Como mostrado na Figura 4.5, o RFID transmite um sinal do veículo por
radiofrequência para uma antena receptora, que irá enviar o sinal transmitido para a
nuvem da empresa. Além de conferir a localização exata do veículo em tempo real
mesmo sujeito à inibidores de sinais, o RFID fornece outras informações como fiscais
(por exemplo, documentação da carga e do veículo) até detalhes da carga (volume de
etanol, etc.). O conjunto dessas informações oferecem à Ethan LS maior
embasamento para aprimorar seu planejamento logístico.
Fonte: Autores
Figura 4.6 - Etiqueta RFID no rastreio da frota
69
Para aumentar a transparência entre as ações da usina e seus clientes, a Ethan
LS implementou uma plataforma na nuvem (PaaS), permitindo que os dados captados
pelo RFID sejam acessados pelos clientes em tempo real. Dessa forma, os clientes
podem enviar feedback sobre o tempo de entrega diretamente para a nuvem de forma
instantânea, promovendo um ambiente de negócios saudável, ético e virtuoso.
4.3. Resultados
Ao final de 1 (um) ano após a implementação de todas as oportunidades de
melhoria do processo, realizou-se um estudo para identificar os resultados financeiros
da digitalização da Ethan LS. As Tabelas 4.1 e 4.2 demonstram estes resultados em
um cenário pessimista, considerando 60% dos valores de redução de custo e aumento
na receita encontrados na literatura. A tabela 4.3 faz uma comparação entre os
resultados.
Tabela 4.1 - Redução de custos anuais a partir da implementação das tecnologias
Atividade
implementada
Efeitos Resultados
(%)
Resultados
(R$)
Referência
Integração do
ERP na nuvem
Redução do custo de
manutenção com TI
9,0% R$ 389.227,67 Blois (2017)
Big Data e
Analytics
Redução do custo
total da usina
6,0% R$ 2.172.722,24 Bi-survey (2018)
Simulação Redução do custo
total da usina
7,8% R$ 2.824.538,91 IAA (2018)
Robôs
automatizados
Redução do custo
total da usina
2,2% R$ 782.180,01 Setor Energético
(2017)
Fonte: Autores
70
Tabela 4.2 - Aumento na receita anual a partir da implementação das tecnologias
Atividade
implementada
Efeitos Resultados
(%)
Resultados
(R$)
Referência
Big Data e
Analytics
Aumento na receita
total da usina
4,8% R$ 2.731.422,24 Bi-survey (2018)
Internet da
coisas
Aumento na receita
total da usina
9,0% R$ 5.121.416,71 TCS (2015)
Integração do
ERP na nuvem
Aumento na receita
total da usina
9,0% R$ 5.121.416,71 IDC (2018)
Fonte: Autores
Tabela 4.3 - Comparação entre o resultado planejado e o real
Fonte: Autores
Dessa forma, levando em consideração a premissa que os custos de
implementação das tecnologias foram desconsiderados, observou-se na Tabela 4.3
que a meta planejada pela liderança da empresa fictícia Ethan LS foi atingida, visto
que a implementação resultou em uma redução de 17,03% do custo total e um
aumento de 22,80% na receita total da planta ao final de 1 ano, frente ao valor
planejado de variação que foi de, respectivamente, 16% e 15%.
Total base
(R$)
Variação
planejada (R$)
Variação
planejada (%)
Variação
real (R$)
Variação
Real (%)
Receita Anual 56.904.630,09 8.535.694,51 15,00 12.974.255,66 22,80
Custo Anual 36.212.037,33 5.793.925,97 16,00 6.168.668,83 17,03
71
CAPÍTULO 5
5. CONCLUSÕES
O objetivo deste trabalho foi apresentar o efeito da transformação digital na
indústria química, introduzindo os principais aspectos e tecnologias inerentes à
Indústria 4.0 e seu impacto nos estudantes e profissionais de Engenharia Química.
Dessa forma, observou-se que além da universidade se tornar responsável por instruir
os futuros profissionais a atuar neste novo cenário, os profissionais de hoje devem se
familiarizar com as novas tecnologias e estar alinhados com o novo modelo de
negócio.
Entretanto, de acordo com os resultados da pesquisa aplicada aos estudantes
de Engenharia Química em diferentes universidades do Rio de Janeiro, notou-se que
as universidades ainda não estão abordando este novo modelo em suas disciplinas,
já que 81% dos participantes desconheciam o conceito de Indústria 4.0. Como
sugestão, foi proposta a implementação de uma disciplina optativa denominada
“Introdução à Indústria 4.0”, além da implantação de laboratórios e centros de
pesquisa que permitam ao aluno acesso às inovações tecnológicas a fim de melhor
prepará-los. Além disso, a especialização através de cursos, como Pós-Graduação,
se torna uma alternativa viável para o preparo da construção do novo perfil profissional
exigido.
Dessa forma, para demonstrar algumas oportunidades de aplicação dessas
tecnologias nas indústrias, desenvolveu-se um estudo de caso em uma usina de
etanol fictícia chamada Ethan LS. Para auxiliar no desenvolvimento do estudo, criou-
se situações hipotéticas de melhorias ao longo de toda cadeia produtiva do etanol, no
qual foi possível destacar como tecnologias base de uma fábrica inteligente a Internet
das Coisas, Big Data, CPS e Computação em Nuvem. Para validação dos ganhos
operacionais, definiu-se uma variação percentual teórica (desconsiderando os custos
de implementação das tecnologias) de 15% de aumento na receita e 16% de redução
de custo ao final de 1 ano após a digitalização dos processos. A partir de dados
teóricos extraídos da literatura, foi possível quantificar os resultados decorrentes da
transformação digital na empresa fictícia, obtendo uma redução de 17,03% do custo
total e um aumento de 22,80% na receita total da planta, alcançando assim a variação
hipotética planejada.
72
Desse modo, apesar do conceito da Indústria 4.0 ainda ser recente, observou-
se a crescente adoção deste modelo por parte das indústrias, apresentando bons
resultados a partir da aplicação de suas tecnologias, como aumento da produtividade
e eficiência energética. Assim, não há dúvidas de que é imprescindível o investimento
na digitalização de toda a cadeia de suprimento para garantir o destaque e uma maior
vantagem competitiva no mercado atual.
Como sugestão para trabalhos futuros, destaca-se o levantamento dos custos
de implementação das tecnologias da Indústria 4.0 no estudo de caso apresentado, a
fim de analisar a viabilidade econômica da transição da Ethan LS para uma fábrica
inteligente.
73
CAPÍTULO 6
6. REFERÊNCIAS BIBLIOGRÁFICAS
ABREU, C.; GONZAGA, D.; SANTOS, F; OLIVEIRA, J; FIGUEIREDO, L.;
NASCIMENTO, M.; OLIVEIRA, P.; YOSHINAGA, S.; OLIVEIRA, T.; MATA, V.;
GONÇALVES, G.;. Indústria 4.0: Como as Empresas Estão Utilizando a Simulação
para se Preparar para o Futuro. Revista de Ciências Exatas e Tecnologia, Minas
Gerais, v. 12, n. 12 p. 49-53, 2017. Disponível em: < http://dx.doi.org/10.17921/1890-
1793.2017v12n12p49-53>. Acesso em 18 mai. 2018.
ACCENTURE. The Growth Game-Changer: How the Industrial Internet of Things
can drive progress and prosperity. Londres, 2015.
ALMEIDA, G.; PARK, S. Visual Analytics – Buscando o Desconhecido. Revista
Brasileira de Engenharia Química. São Paulo, SP, v. 33, n. 1, p. 27-35. 2
quadrimestre, 2017.
ALKIMIM, A.; CLARKE, K. C. Land use change and the carbon debt for sugarcane
ethanol production in Brazil. Land Use Policy, Viçosa, v. 72, p. 65-73, 2018.
Disponível em: <https://doi.org/10.1016/j.landusepol.2017.12.039>. Acesso em 29
mai. 2018.
ANASTASIA. Industry 4.0: Everything You Need To Know. 2015. Disponível em:
<https://www.cleverism.com/industry-4-0-everything-need-know/>. Acesso em: 17
mar. 2018.
ATTARAN, M. The rise of 3-D printing: The advantages of additive manufacturing over
traditional manufacturing. IBusiness Horizons, Bakersfield, v. 60, p. 677-688, 2017.
Disponível em: <https://doi.org/10.1016/j.bushor.2017.05.011>. Acesso em 19 abr.
2018.
74
ATZORI, L.; IERA, A.; MORABITOC, G. Understanding the Internet of Things:
definition, potentials, and societal role of a fast evolving paradigm. Ad Hoc Networks,
Itália, v. 56, p. 122-140, 2017. Disponível em:
<https://doi.org/10.1016/j.adhoc.2016.12.004>. Acesso em 24 mar. 2018.
AZUMA, R. T. A Survey of Augmented Reality. In Presence: Teleoperators and
Virtual Environments, Malibu, v. 6, p. 355-385, 1997. Disponível em: <
https://www.cs.unc.edu/~azuma/ARpresence.pdf >. Acesso em 17 abr. 2018.
BAHET, R.; GILL, H. Cyber-physical Systems. Estados Unidos, 2011.
BI-SURVEY. Benefits of Big Data Analytics: Increased Revenues and Reduced
Costs. Disponível em: <https://bi-survey.com/big-data-benefits>. Acesso em: 19 mai.
2018.
BLOEM, J.; DOORN, M.V.; DUIVESTEIN, S.; EXCOFFIER, D.; MAAS, R.;
OMMEREN, E.V. The Fourth Industrial Revolution—Things to Tighten the Link
between IT and OT. Groningen, 2014.
BLOIS, N. How Much Money Can you Save with a SaaS Cloud ERP?. 2017.
Disponível em: <https://www.acumatica.com/blog/how-much-money-can-you-save-
with-a-saas-cloud-erp/>. Acesso em: 19 mai. 2018.
BOURELL, D.; BEAMAN, J.; LEU, M.; ROSEN, D. A Brief History of Additive
Manufacturing and the 2009 Roadmap for Additive Manufacturing: Looking Back and
Looking Ahead. In: RAPIDTECH 2009: US-TURKEY WORKSHOP ON RAPID
TECHNOLOGIES, 2009.
BRINKMAN, M. L. J.; DA CUNHA, M. P.; HEIJEN, S.; WICKE, B.; GUILHOTO, J. J.
M.; WALTER, A.; FAAIJ, A. P.C.; HILST, F. Interregional assessment of socio-
economic effects of sugarcane ethanol production in Brazil. Renewable and
Sustainable Energy Reviews, Holanda, v. 88, p. 347-362, 2018. Disponível em:
<https://doi.org/10.1016/j.rser.2018.02.014>. Acesso em: 29 mai. 2018.
75
CALDERONE. Robots in Manufacturing Applications. 2016. Disponível em:
<https://www.manufacturingtomorrow.com/article/2016/07/robots-in-manufacturing-
applications/8333>. Acesso em: 09 mai. 2018.
CIMM – Centro de Informação Metal Mecânica. Definição - O que é Manutenção
preditiva. Disponível em: <https://www.cimm.com.br/portal/verbetes/exibir/595-
manutencao-preditiva>. Acesso em: 16 mar. 2018.
CISCO. Internet of Things. Estados Unidos, 2016.
CISCO. The Internet of Things How the Next Evolution of the Internet Is Changing
Everything. Estados Unidos, 2011.
CNI DIGITAL – Confederação Nacional da Indústria. Serie Pilares da Industria 4.0
(parte 6 de 9) - Simulação. 2017. Disponível em: <http://www.cnidigital.org/artigo/se-
rie-pilares-da-indu-stria-4-0-parte-6-de-9-simula-o>. Acesso em: 26 abr. 2018.
CONNER, B. P.; MANOGHARAN, G. P.; MARTOF, A. N., RODOMSKY, L. M.;
JORDAN, Dakesha C.; LIMPEROS, J. W. Making sense of 3-D printing: Creating a
map of additive manufacturing products and services. Additive Manufacturing,
Estados Unidos, v. 1-4, p. 64-76, 2014. Disponível em:
<https://doi.org/10.1016/j.addma.2014.08.005>. Acesso em 15 abr. 2018.
DA SILVA, E. M. Indústria 4.0- A quarta revolução industrial. 2016. Disponível em:
<https://pt.linkedin.com/pulse/ind%C3%BAstria-40-quarta-
revolu%C3%A7%C3%A3o-industrial-edson-miranda-da-silva>. Acesso em: 18 mar.
2018.
DE PAULA, O. M. Simulação e Lean na Indústria 4.0. Disponível em:
<http://excelenciaempauta.com.br/simulacao-e-lean-na-industria-4-0/>. Acesso em:
26 abr. 2018.
DELOITTE. A new development in the chemical industry: the era of Chemistry
4.0. Alemanha, 2018.
76
DELOITTE. Industry 4.0 Challenges and solutions for the ditigal transformation
and use of exponencial technologies. Suíça, 2015.
DILBEROGLU, U. M.; GHAREHPAPAGH, B.; YAMAN, U.; DOLEN, M. The Role of
Additive Manufacturing in the Era of Industry 4.0. Procedia Manufacturing, Ankara,
v. 11, p. 545-554, 2017. Disponível em:
<https://doi.org/10.1016/j.promfg.2017.07.148>. Acesso em 18 abr. 2018.
DINI, G.; MURA, M. D. Application of Augmented Reality Techniques in Through-life
Engineering Services. Procedia CIRP, Pisa, v. 38, p. 14-23, 2015. Disponível em:
<https://doi.org/10.1016/j.procir.2015.07.044>. Acesso em 15 abr. 2018.
DUO AUTOMATION. Robô de Chapisco com Eletrodo. 2017. 1min 46seg.
Disponível em: <https://www.youtube.com/watch?v=42TRgpiUx8I />. Acesso em: 11
jun. 2018
ESSS - Engineering Simulation and Scientific Software. Os pilares da Indústria 4.0.
2017. Disponível em: <https://www.esss.co/blog/os-pilares-da-industria-4-0/>. Acesso
em: 14 abr. 2018.
FAPESP - Fundação de Amparo à Pesquisa do Estado de São Paulo. USP inaugura
laboratório de pesquisa em internet das coisas, 2018. Disponível em: <
http://agencia.fapesp.br/usp_inaugura_laboratorio_de_pesquisa_em_internet_das_c
oisas/26962/>. Acesso em: 10 jun. 2018.
FIRJAN - Federação das Indústrias do Estado do Rio de Janeiro. Indústria 4.0. Rio
de Janeiro. 2016.
GANDOMI, A.; HAIDER, M. Beyond the hype: Big data concepts, methods, and
analytics. International Journal of Information Management, Toronto, v. 35 (2), p.
137-144, 2015. Disponível em: <https://doi.org/10.1016/j.ijinfomgt.2014.10.007>.
Acesso em 03 mai. 2018.
77
GELDHOF, A. The internet of services in Industrie 4.0. 2016. Disponível em:
<https://conceptsystemsinc.com/the-internet-of-services-in-industrie-4-0/>. Acesso
em: 18 mar. 2017.
GHOSH, S. Por que a integração entre TI e Tecnologia da Operação é crucial
para a competitividade da indústria?. 2016. Disponível em:
<http://www.executivosfinanceiros.com.br/artigos/4363-por-que-a-integracao-entre-ti-
e-tecnologia-da-operacao-e-crucial-para-a-competitividade-da-industria>. Acesso em:
20 mar. 2018.
GILCHRIST, A. Industry 4.0: The Industrial Internet of Things.1. ed. Nova York:
Apress, 2016.
GRELLMANN, D. O Processo de microfusão utilizando padrões fabricados por
esteriolitografia. Disponível em: <http://moldesinjecaoplasticos.com.br/o-processo-
de-microfusao-utilizando-padroes-fabricados-por-estereolitografia/>. Acesso em: 21
abr. 2018.
HEKIMA. Tipos de análise de Big Data: você conhece todos os 4?. 2016.
Disponível em: <http://www.bigdatabusiness.com.br/conheca-os-4-tipos-de-analises-
de-big-data-analytics/>. Acesso em: 16 mai. 2018.
HERMANN, M.; PENTEK, T.; OTTO, B. Design Principles for Industrie 4.0 Scenarios:
A Literature Review. Working Paper No. 01. Technische Universität Dortmund. 2015.
HERZOG, D.; SEYDA, V.; WYCISK, E.; EMMELMANN, C. Additive manufacturing of
metals. Acta Materialia, Alemanha, v. 117, p. 371-392, 2016. Disponível em:
<https://doi.org/10.1016/j.actamat.2016.07.019>. Acesso em 18 abr. 2018.
IAA. Top 5 Industry 4.0 Trends In Manufacturing. 2017. Disponível em:
<http://www.iaasiaonline.com/software-networks/top-5-industry-4-0-trends-
manufacturing/>. Acesso em: 18 mai. 2018.
IDC. IDC FutureScape: Worldwide IT Industry 2018 Predictions. Boston, 2017.
78
IFR WORLD ROBOTICS – International Federation of Robotics. Executive Summary
World Robotics 2017 Industrial Robots. Alemanha, 2017.
INPI - Instituto nacional de propriedade industrial. Realidade Aumentada, 2017.
Disponível em:
<https://inpi.justica.gov.pt/Portals/6/PDF%20INPI/Tecnologias%20de%20informa%C
3%A7%C3%A3o/Realidade%20Aumentada.pdf?ver=2017-08-28-161233-947>.
Acesso em: 18 abr. 2018.
IoTUK. The Next Industrial Revolution. Londres, 2017.
I-SCOOP. Industry 4.0: the fourth industrial revolution – guide to Industrie 4.0.
2016. Disponível em: <https://www.i-scoop.eu/industry-4-0/>. Acesso em: 17
mar. 2018.
KAO, H.; JIN, W.; SIEGEL, D.; LEE, J. A Cyber Physical Interface for Automation
Systems—Methodology and Examples, 2015, v. 3, p. 93-106. Disponível
em:<doi:10.3390/machines3020093>. Acesso em: 12 mai. 2018.
KAGERMANN, H.; WAHLSTER, W.; HELBIG, J. Recommendations for implementing
the strategic initiative INDUSTRIE 4.0: Final report of the Industrie 4.0 Working Group.
Frankfurt, Alemanha, 2013.
KHOO, Z.; TEOH, J.; LIU, Y.; CHUA, C.; YANG, S.; AN, J.; LEONG, K.; YEONG, W.;
3D printing of smart materials: A review on recent progress in 4D printing. Virtual and
Physical Prototyping. Singapore, v. 10 (3), p. 103-122, 2015. Disponível em:
<http://dx.doi.org/10.1080/17452759.2015.1097054>. Acesso em: 15 de abr. 2018.
KIM, S; PARK, S. CPS (Cyber Physical System) based Manufacturing System
Optimization. Procedia Computer Science, Daegu, v.122, p. 518-524, 2017.
Disponvível em:<https://doi.org/10.1016/j.procs.2017.11.401>. Acesso em: 10 abr.
2018.
79
KLEI, A.; MODER, M.; STOCKDALE, O.; WEIHE, U.; WINKLER, G. Digital in
chemicals: From technology to impact. 2017. Disponível em:
<https://www.mckinsey.com/industries/chemicals/our-insights/digital-in-chemicals-
from-technology-to-impact>. Acesso em: 10 jun. 2018.
KORNER, C. Additive manufacturing of metallic components by
selective electron beam melting — a review. International Materials Reviews, 2016,
v. 61(5), p, 361-377. Disponível em:
<https://doi.org/10.1080/09506608.2016.1176289>. Acesso em 03 mai. 2018.
LACHENMAIER, J. F; LASI, H.; KEMPER, H. Simulation of Production Processes
Involving Cyber-physical Systems. Procedia CIRP, Alemanha, v. 62, p. 577-
582, 2017. Disponível em: <https://doi.org/10.1016/j.procir.2016.06.074>. Acesso em
30 mar. 2018.
LEE, E. A. The Past, Present and Future of Cyber-Physical Systems: A Focus on
Models. Sensors (Basel), Suíca, v. 15(3), p. 4837-4869, 2015. Disponível em:
<https://doi:10.3390/s150304837>. Acesso em 31 mar. 2018.
LEE, I. Big data: Dimensions, evolution, impacts, and challenges. Business Horizons,
Macomb, v. 60, p. 293-303, 2017. Disponível em:
<https://doi.org/10.1016/j.bushor.2017.01.004>. Acesso em 02 mai. 2018.
LEE, J.; BAGHERI, B.; KAO, H. A Cyber-Physical Systems architecture for Industry
4.0-based manufacturing systems. Manufacturing Letters, Cincinnati, v. 3, p. 18-23,
2015. Disponível em: <https://doi.org/10.1016/j.mfglet.2014.12.001>. Acesso em: 10
abr. 2018.
LONGO, C. A. Os 6 princípios básicos da Indústria 4.0. 2017. Disponível em:
<https://pt.linkedin.com/pulse/os-6-princ%C3%ADpios-b%C3%A1sicos-da-
ind%C3%BAstria-40-carlos-augusto-longo>. Acesso em: 20 mar. 2018.
LOUREIRO, A.; NOGUEIRA, J.; RUIZ, L.; MINI, R.; NAKAMURA, E.; FIGUEIREDO,
C. Redes de Sensores Sem Fio, 2003. Disponível em:
80
<http://homepages.dcc.ufmg.br/~loureiro/cm/docs/sbrc03.pdf>. Acesso em: 15 mar.
2018.
MACCURDY, R.; KATZSCHMANN, R.; KIM, Y.; RUS, D. "Printable Hydraulics: A
Method for Fabricating Robots by 3D Co-Printing Solids and Liquids”. In: IEEE
INTERNATIONAL CONFERENCE ON ROBOTICS AND AUTOMATION,
2016. Cambridge.
MAZAK. MTConnect. Disponível em: <https://www.mazak.com.br/mtconnect/>.
Acesso em: 11 jun. 2018.
MELL, P.; GRANCE, T. The NIST Definition of Cloud Computing. Disponível em:
<https://www.nist.gov/sites/default/files/documents/itl/cloud/cloud-def-v15.pdf>.
Acesso em: 15 maio 2018.
MELLOR, S.; HAO, L.; ZANG, D. Understanding the Internet of Things: definition,
potentials, and societal role of a fast evolving paradigm Additive manufacturing: A
framework for implementation. International Journal of Production Economics,
Exeter, v. 149, p. 194-201, 2014. Disponível em:
<https://doi.org/10.1016/j.ijpe.2013.07.008>. Acesso em 15 abr. 2018.
MICROSOFT AZURE. O que é computação em nuvem?. Disponível em:
<https://azure.microsoft.com/pt-br/overview/what-is-cloud-computing/>. Acesso em:
26 abr. 2018.
MME – Ministério de Minas e Energia. RenovaBio. Disponível em:
<http://www.mme.gov.br/web/guest/secretarias/petroleo-gas-natural-e-combustiveis-
renovaveis/programas/renovabio/principal>. Acesso em: 16 mai. 2018.
MORAN, S. Process Plant Layout — Becoming a Lost Art?. 2016. Disponível em:
<http://www.chemengonline.com/process-plant-layout-becoming-lost-
art/?printmode=1>. Acesso em: 14 abr. 2018.
81
MUSSOMELI, A.; FITZGERALD, J. Rise Of The Machines — Autonomous Robots
And The Supply Chain Of The Future. 2017. Disponível em:
<https://www.mbtmag.com/article/2017/11/rise-machines-autonomous-robots-and-
supply-chain-future>. Acesso em: 03 mai. 2018.
NEPIOT. Cadeia de valor em IoT. Disponível em:
<http://www.nepiot.com.br/WP/en/sobre-nepiot/cadeia-de-valor/>. Acesso em: 16
mar. 2018.
NGO, T. D.; KASHANI, A.; IMBALZANO, G.; NGUYEN, K. T. Q.; HUI, D. Additive
manufacturing (3D printing): A review of materials, methods, applications and
challenges. Composites Part B: Engineering, Melbourne, v. 143, p. 172-196, 2017.
Disponível em: <https://doi.org/10.1016/j.compositesb.2018.02.012>. Acesso em 19
abr. 2018.
NOVA CANA. Custos de produção de cana e etanol e as novas tecnologias das
usinas. Disponível em: <https://www.novacana.com/usina/evolucao-setor-melhorias-
proporcionadas-pela-pd/>. Acesso em: 19 mai. 2018.
NOVA CANA. Governo diz que Brasil produzirá 54 bilhões de litros de etanol em
2030. 2016. Disponível em: <https://www.novacana.com/n/etanol/mercado/governo-
brasil-produzira-54-bilhoes-litros-etanol-2030-200716/>. Acesso em: 19 mai. 2018.
OLIVERIA, S. Internet das Coisas com ESP 8266, Arduino e Raspeberry PI. 1.ed.
São Paulo: Novatec, 2017.
OMANOVIĆ-MIKLIČANIN, E.; MAKSIMOVIĆ, M. Nanosensors applications in
agriculture and food industry. Sarajevo, v. 47, p. 59-70, 2016. Disponível em:
<http://www.pmf.unsa.ba/hemija/glasnik/files/Issue%2047/5-59-70-Omanovic.pdf>.
Acesso em: 20 de abr. 2018.
ONU. A ONU e a população mundial. 2018. Disponível em:
<https://nacoesunidas.org/acao/populacao-mundial/>. Acesso em: 14 de abr. 2018.
82
ORACLE. An Enterprise Architect’s Guide to Big Data. Redwood Shores. 2016
ORIWOH, E.; SANT, P.; EPIPHANIOU, G.. Guidelines for Internet of Things
Deployment Approaches – The Thing Commandments. Procedia Computer Science,
Reuno Unido, v. 21, p. 122-131, 2013. Disponível em:
<https://doi.org/10.1016/j.procs.2013.09.018>. Acesso em 07 mai. 2018.
OTTEWELL, S. Chemical Makers Embrace the Cloud. Disponível em:
<https://www.chemicalprocessing.com/articles/2018/chemical-makers-embrace-the-
cloud/?start=0>. Acesso em: 28 abr. 2018.
PILZ. Instalações modulares como resposta à Indústria 4.0. 2016. Disponível em:
<https://www.pilz.com/pt-BR/company/news/articles/088837>. Acesso em: 16 mar.
2018.
PISCHING, M.; TASCA, A. A.; PESSOA, M. A. O.; JUNQUEIRA, F.; MIYAGI, P. E.
Arquitetura para desenvolvimento de sistemas ciber-fÍsicos aplicados na indústria 4.0.
In: SIMPÓSIO BRASILEIRO DE AUTOMAÇÃO INTELIGENTE, 8., 2017, Porto Alegre:
USP, 2017.
PORTER, M. E.; HEPPELMANN, J. E. Why Every Organization Needs an
Augmented Reality Strategy. 2017. Disponível em: <https://hbr.org/2017/11/a-
managers-guide-to-augmented-reality#why-every-organization-needs-an-augmented-
reality-strategy>. Acesso em: 20 mar. 2018.
PWC - PricewaterCoppers. Indústria 4.0: Digitização como vantagem competitiva
no Brasil. Brasil, 2016.
CHHETRI, S.; RASHID, N.; FAEZI. S.; FARUQUE, M. Security trends and advances
in manufacturing systems in the era of industry 4.0. In: IEEE/ACM INTERNATIONAL
CONFERENCE ON COMPUTER-AIDED DESIGN (ICCAD). Proceedings of 3th
International Conference on computer-aided design. 2017.
83
RAJKUMAR, R.; LEE, I.; SHA, L.; STANKOVIC, J. Cyber-Physical Systems: The Next
Computing Revolution In: DESIGN AUTOMATION CONFERENCE, 47., 2010,
Anaheim. Proceedings of the 47th Design Automation Conference. Anaheim,
2010.
REPLY. A Indústria 4.0 traz para dentro da empresa a realidade virtual e
aumentada. Disponível em: <http://www.reply.com/br/topics/industrie-4-0/a-industria-
4-0-traz-para-dentro-da-empresa-a-realidade-virtual-e-aumentada>. Acesso em:
13 abr. 2018.
ROLAND BERGER STRATEGY CONSULTANTS. Industri 4.0: The new industrial
revolution. Alemanha, 2014.
RUßMANN, M.; LORENZ, M.; GERBERT, P.; WALDNER, M.; JUSTUS, J.; ENGEL,
P.; HARNISCH, M. The future of productivity and Growth in Manufacturing
Industries. Alemanha, 2015.
SANTOS, K.; LOURES, E.; PIECHNICKI, F.; CANCIGLIERI, O. Opportunities
Assessment of Product Development Process in Industry 4.0. Procedia
Manufacturing, Curitiba, v. 11, p. 1358-1365, 2017. Disponível em:
<https://doi.org/10.1016/j.promfg.2017.07.265>. Acesso em 21 mar. 2018.
SAS. Big Data: O que é e qual sua importância?. Disponível em:
<https://www.sas.com/pt_br/insights/big-data/what-is-big-data.html>. Acesso em: 20
abr.l 2018.
SETOR ENERGÉTICO. Robô de chapisco de solda com Eletrodo é a mais nova
promessa para moendas de açúcar. 2017. Disponível em:
<http://www.setorenergetico.com.br/empresas/robo-de-chapisco-de-solda-com-
eletrodo-e-mais-nova-promessa-para-moendas-de-acucar/22135/>. Acesso em: 14
mai. 2018.
84
SHUKLA, A.; KARKI, H. Application of robotics in offshore oil and gas industry— A
review Part II. Robotics and Autonomous Systems, Abu Dhabi, v. 75, p. 508-524,
2016. Disponível em: <https://doi.org/10.1016/j.robot.2015.09.013>. Acesso em 25
mai. 2018.
SKA. Guia definitivo da Indústria 4.0. 2017. Disponível em:
<http://www.ska.com.br/ska/guia-definitivo-da-industria-40>. Acesso em: 11 mar.
2018.
SKY.ONE. Quem inventou a computação em nuvem?. Disponível em:
<http://skyone.solutions/pb/quem-inventou-a-computacao-em-nuvem/>. Acesso em:
26 abr. 2018.
SILVEIRA, C. B. O Que é Indústria 4.0 e Como Ela Vai Impactar o Mundo.
Disponível em: <https://www.citisystems.com.br/industria-4-0/>. Acesso em: 18 mar.
2018.
SMITH, H. GE Aviation to grow better fuel nozzles using 3D Printing. 2013.
Disponível em: <http://3dprintingreviews.blogspot.com/2013/06/ge-aviation-to-grow-
better-fuel-nozzles.html>. Acesso em: 10 abr. 2018.
SOARES, H. FTSP: Uma abordagem independente de hardware para
sincronização em redes de sensores sem fio. 2004. 6. Dissertação ( Mestrado em
Computação) – Universidade Federal Fluminense, Niterói.
SONDA. Tipos de nuvem: entenda a diferença entre híbrida, privada e pública.
2017. Disponível em: <https://blog.sonda.com/tipos-de-nuvem/>. Acesso em: 28 abr.
2018.
STAVINOHA, S.; CHEN, H.; WALKER, M.; ZHANG, B.; FUHLBRIGGE,
T. Challenges of robotics and automation in offshore Oil&Gas industry. In: IEEE
INTERNATIONAL CONFERENCE ON CYBER TECHNOLOGY IN AUTOMATION,
CONTROL AND INTELLIGENT, 4., 2014, Hong Kong. Proceedings of the The 4th
Annual IEEE International Conference. Hong Kong, 2014.
85
TAO, F.; ZHANG, L.; VENKATESH, V C; CHENG, Y. Cloud manufacturing: A
computing and service-oriented manufacturing model. Proceedings of the Institution
of Mechanical Engineers, Part B: Journal of Engineering Manufacture, v. 225(10),
2011. Disponível em: <DOI: 10.1177/0954405411405575>. Acesso em 29 mai. 2018.
TCS. Over 80% of companies increased revenue by investing in Internet of
Things: TCS study. 2015. Disponível em: <https://www.tcs.com/iot-tcs-global-trend-
study-2015>. Acesso em: 18 mai. 2018.
THIEDE, S.; JURASCHEK, M.; HERMANN,C. Implementing Cyber-physical
Production Systems in Learning Factories. Procedia CIRP, Braunschweig, v. 54, p. 7-
12, 2016. Disponível em: <https://doi.org/10.1016/j.procir.2016.04.098>. Acesso em:
12 abr. 2018.
THUEMMLER, C.; BAI, C. Health 4.0: Application of Industry 4.0 Design Principles in
Future Asthma Management. Springer International Publishing, 2017. In:
THUEMMLER, C.; BAI, C. (Eds). Health 4.0: How Virtualization and Big Data are
Revolutionizing Healthcare. 1. ed. Switzerland: Springer International Publishing,
2017. cap. 2, p. 23-37.
TJAHJONO, B.; ESPLUGUES, C.; ARES, E.; PELAEZ, G. What does Industry 4.0
mean to Supply Chain?. Procedia Manufacturing, Cranfield, v. 13, p. 1175–1182,
2017. Disponível em: <https://doi.org/10.1016/j.promfg.2017.09.191>. Acesso em: 21
mar. 2018.
TROX. New TROX Launch - IoT Technology - "Internet of Things". In: FEBRAVA
SHOW, 2017, São Paulo. Anais eletrônicos da FEBRAVA SHOW 2017. São Paulo:
Trox Brasil, 2017.
VIJAYARAGHAVAN, A.; SOBEL, W.; FOX., A. Improving Machine Tool Interoperability
Using Standardized Interface Protocols: MT
Connect. In: INTERNATIONAL SYMPOSIUM ON FLEXIBLE AUTOMATION, 2008,
Atlanta. Proceedings of 2008 ISFA. Atlanta: UC Berkeley, 2008.
86
VENTURELLI, M. A segurança de dados na Indústria 4.0. Disponível em:
<https://www.automacaoindustrial.info/seguranca-de-dados-na-industria-4-0/>.
Acesso em: 25 abr. 2018.
YAQOOB, I.; HASHEM, I. A. T.; GANI, A.; MOKHTAR, S.; AHMED, E.; ANUAR, N.
B.; VASILAKOS, A. V. Big data: From beginning to future. International Journal of
Information Management, Kuala Lumpur, v. 36, p. 1231-1247, 2016. Disponível em:
<https://doi.org/10.1016/j.ijinfomgt.2016.07.009>. Acesso em 09 mai. 2018.
YU, C.; XU, X.; LU, Y. Computer-Integrated Manufacturing, Cyber-Physical Systems
and Cloud Manufacturing – Concepts and relationships. Manufacturing Letters,
Auckland, v. 6, p. 5-9, 2015. Disponível em:
<https://doi.org/10.1016/j.mfglet.2015.11.005>. Acesso em 05 abr. 2018.
WOHLERS, T.; GORNET, T. History of additive manufacturing. Estados Unidos,
2016.
ZHAI, Y.; LADOS, D. A.; LAGOY, J. L. Additive Manufacturing: Making Imagination the
Major Limitation. The Minerals, Metals & Materials Society, Estados Unidos, v. 66,
p. 5, 2014. Disponível em: <DOI: 10.1007/s11837-014-0886-2>. Acesso em 16 abr.
2018.
ZHONG X. K.; JOANNE E. M. T.; YONG L.; CHEE K. C.; SHOUFENG Y.; JIA A.;
LEONG, K. F.; YEONG, W. Y.. 3D printing of smart materials: A review on recent
progresses in 4D
printing. Virtual and Physical Prototyping, v. 10 (3), p. 103-122, 2015. Disponível
em: <DOI: 10.1080/17452759.2015.1097054>. Acesso em 18 abr. 2018.
87
APÊNDICES
APÊNDICE A: Questionário – Indústra 4.0 nas universidades
88
89
90
APÊNDICE B – Programa de Disciplina: Introdução à Indústria 4.0
PROGRAMA DE DISCIPLINA
Disciplina: INTRODUÇÃO À INDÚSTRIA 4.0
CARGA HORÁRIA SEMANAL TOTAL HORAS
TEÓRICA (30) PRÁTICA (0) ESTÁGIO (0) 30
Objetivo da Disciplina:
Apresentar aos alunos as competências e metodologias do conceito da Indústria 4.0, principalmente em relação às ferramentas tecnológicas, à inovação dos produtos e ao impacto positivo à sustentabilidade.
Conteúdo Programático
Capítulo I - Introdução
1.1 Evolução da indústria até a Quarta Revolução Industrial
1.2 Principais aspectos da Indústria 4.0
Capítulo II - Tecnologias do contexto da Indústria 4.0
2.1 Internet das Coisas
2.2 Cyber Physical Systems
2.3 Realidade Aumentada
2.4 Manufatura Aditiva
2.5 Big Data e Analytics
2.6 Robôs Automatizados
2.7 Simulação de sistemas
2.8 Computação em nuvem
2.9 Cibersegurança
Capítulo III - Aplicações na Engenharia Química
3.1 Noções de estatística aplicada à Indústria 4.0
3.2 Interações entre Big Data e Computação em nuvem
3.3 Sensoriamento – Malhas Inteligentes
3.4 Desenvolvimento de Novos Materiais
Capítulo IV - Sustentabilidade na Indústria 4.0
4.1 Eficiência energética
4.2 Energias Renováveis
4.3 Futuro da Indústria
91
Fonte: Autores
Figura B1 – Programa de disciplina: Introdução à Indústria 4.0
Bibliografia Básica
GILCHRIST, A. Industry 4.0: The Industrial Internet of Things.1. ed. Nova York: Apress, 2016. I-SCOOP. Industry 4.0: the fourth industrial revolution – guide to Industrie 4.0. 2016. Disponível em: <https://www.i-scoop.eu/industry-4-0/>
ANASTASIA. Industry 4.0: Everything You Need To Know. 2015. Disponível em: <https://www.cleverism.com/industry-4-0-everything-need-know/>
Bibliografia Complementar
KAO, H.; JIN, W.; SIEGEL, D.; LEE, J. A Cyber Physical Interface for Automation Systems—Methodology and Examples, 2015, v. 3, p. 93-106. Disponível em:<doi:10.3390/machines3020093> BLOEM, J.; DOORN, M.V.; DUIVESTEIN, S.; EXCOFFIER, D.; MAAS, R.; OMMEREN, E.V. The Fourth Industrial Revolution—Things to Tighten the Link between IT and OT. Groningen, 2014. DELOITTE. A new development in the chemical industry: the era of Chemistry 4.0. Alemanha, 2018.