Sensoriamento para automatização em processo industrial de tratamento térmico

Autores

DOI:

https://doi.org/10.14488/1676-1901.v23i2.4846

Palavras-chave:

Indústria 4.0, Fábrica Inteligente, IoT, Sensoriamento Infravermelho, Câmeras de Visão, Parâmetros de Processo de Forjamento

Resumo

Ao produzir ferramentas de uso manual, o fator chave é o controle dos indicadores de qualidade, especialmente o processo de tratamento térmico, que concede dureza e durabilidade para a ferramenta. O processo de tratamento térmico eficiente precisa manter o calor da peça estável, em produções contínuas é necessário ter repetibilidade e constância, para tanto é necessário minimizar variáveis. As operações manuais com uso de mão de obra humana, expõe fragilidade ao processo, encarregando operadores de decidir através da visualização da cor da temperatura da peça, a liberação para produzir, impondo processos de repetição exaustivos. Assim, este trabalho tem o objetivo de demonstrar a aplicação de sensoriamento no processo de tratamento térmico. Para tanto, foi aplicado  o método do estudo de caso, tendo como objeto de estudo uma linha de fabricação de cavadeiras. Através do sensoriamento é possível identificar a temperatura do produto e determinar se o processo está dentro das especificações técnicas, criando alertas e correções automatizadas. O sensoriamento permite integração total das operações e viabiliza o uso de robôs nas operações repetidas e exaustivas ao ser humano. Com uso dos sensores é possível identificar perdas superiores a 20% de qualidade, onde o produto não recebeu o tratamento térmico adequado, além de perdas de produtividade e exposição inadequada dos operadores a repetição, calor e tomada de decisão. O sensoriamento e o uso de câmeras de visão, somados a tecnologias da indústria 4.0 potencializam decisões inteligentes.

Downloads

Não há dados estatísticos.

Biografia do Autor

Anderson Hanauer, Universidade de Caxias do Sul (UCS), Caxias do Sul, RS, Brasil.

Possui graduação em Administração de empresas pela Fisul (2014), MBA em Gestão Comercial (2016) e  Pós-graduação em Engenharia Industrial (2022). Especialização em Liderança e Gestão de competência pela Evoluire.  Atualmente é Gerente de produção em uma empresa de grande porte com mais de 30 anos atuando em gestão de diferentes áreas na indústria metal mecânica. Tem especial interesse em indústria 4.0; sistemas de produção; gestão de equipes; psicologia do trabalho; e neurociência.

Ivandro Cecconello, Universidade de Caxias do Sul (UCS), Caxias do Sul, RS, Brasil.

Possui graduação em Engenharia Mecânica pela UCS (1998) e mestrado em Engenharia de Produção pela UFSC (2002). Doutor em Administração pela UCS (2019), na linha de pesquisa em estratégia e operações. Atualmente é professor de Graduação e Pós-Graduação da Universidade de Caxias do Sul. Coordenador de cursos de pós-graduação em Engenharia Industrial e Engenharia 4.0. Larga vivência na área de Engenharia de Produção e Mecânica, com ênfase em Planejamento, Projeto e Controle de Sistemas de Produção de componentes automotivos. Mais de 25 anos de experiência na Área Industrial, atuando em Lean Manufacturing, Desenvolvimento de Produto, Processo e Ferramental. Experiência na gestão de equipes multidisciplinares e transformação de empresas (turnaround). Tem especial interesse e pesquisa sobre: lean manufacturing; gestão de projetos; indústria 4.0; sistemas de produção; moldes de injeção; digitalização; simulação; e produtos inteligentes.

Referências

BAUDET, Nathalie; MAIRE, Jean-Luc; PILLET, Maurice. The visual inspection of product surfaces. Food Quality and Preference, v. 27, n. 2, p. 153-160, 2013.

BERTOLDI, Evandro. Análise de Ensaios de Dureza Brinel e Rockwell em Corpo de Prova. Horizontina (RS), 2014.

BI, Chao et al. Image technology in dimension measurement of high temperature parts. 中國機械工程學刊, v. 35, n. 5, p. 355-361, 2014.

CESAR, AMRVC. Método do Estudo de Caso (Case studies) ou Método do Caso (Teaching Cases)? Uma análise dos dois métodos no Ensino e Pesquisa em Administração. REMAC Revista Eletrônica Mackenzie de Casos, São Paulo-Brasil, v. 1, n. 1, p. 1, 2005.

CHARMAZ, Kathy; DENZIN, Norman K.; LINCOLN, Yvonna S. Handbook of qualitative research. Thousand Oaks, 2000.

CHIAVERINI, Vicente. Aços e ferros fundidos. Abm, 1977.

DE OLIVEIRA, Silvio Luiz. Tratado de metodologia científica. São Paulo: Pioneira, v. 2, p. 7, 1997.

DO VALE, Alan Rafael Menezes. Tratamento térmico. Belém: Instituto Federal de Educação, Ciência e Tecnologia do Pará (IFPA), 2011.

EDITORA, SENAI-SP (Ed.). Tratamento térmico dos metais–Da teoria à prática. SENAI-SP Editora, 2018.

FACHIN, Odília. Fundamentos de metodologias. Saraiva Educação SA, 2001.

FENGQUE, Pei et al. Research on design of the smart factory for forging enterprise in the industry 4.0 environment. Mechanics, v. 23, n. 1, p. 146-152, 2017.

FERREIRA, Maurício Ionak; VOGLER, Daniel Tarnoski; DA SILVA, Mayara Cristina Ghedini. Benefícios do processo de pintura eletrostática em estruturas metálicas como forma de sustentabilidade empresarial. In: JORNADA CIENTÍFICA DOS CAMPOS GERAIS, Anais [...], v. 17, 2019.

FLICK, Uwe. Qualidade na pesquisa qualitativa: coleção pesquisa qualitativa. Bookman editora, 2009.

FRANÇA, Pablo philipe de Azevedo Mascena; MARTINS, Daniel Lopes; NETO, Adrião Duarte Dória. Ambiente híbrido de simulação utilizando sensores industriais sem fio. In: CONGRESSO BRASILEIRO DE AUTOMÁTICA-CBA, 2019.

FRASER, Clive S.; RIEDEL, Björn. Monitoring the thermal deformation of steel beams via vision metrology. ISPRS Journal of Photogrammetry and Remote Sensing, v. 55, n. 4, p. 268-276, 2000.

GADE, Rikke; MOESLUND, Thomas B. Thermal cameras and applications: a survey. Machine vision and applications, v. 25, n. 1, p. 245-262, 2014.

GIUGGIOLI, Guglielmo; PELLEGRINI, Massimiliano Matteo. Artificial intelligence as an enabler for entrepreneurs: a systematic literature review and an agenda for future research. International Journal of Entrepreneurial Behavior & Research, 2022.

GOKHALE, Pradyumna; BHAT, Omkar; BHAT, Sagar. Introduction to IOT. International Advanced Research Journal in Science, Engineering and Technology, v. 5, n. 1, p. 41-44, 2018.

GOMES, Ruan D. et al. Desafios de redes de sensores sem fio industriais. Revista de Tecnologia da Informação e Comunicação, v. 4, n. 1, p. 16-27, 2014.

HEJAZI, Hamdan et al. Survey of platforms for massive IoT. In: IEEE INTERNATIONAL CONFERENCE ON FUTURE IOT TECHNOLOGIES (FUTURE IOT), 2018, IEEE, 2018. p. 1-8.

HUGHES, Robert C. et al. Sensors. Kirk‐Othmer Encyclopedia of Chemical Technology, 2000.

KAMBLE, Sachin S.; GUNASEKARAN, Angappa; GAWANKAR, Shradha A. Sustainable Industry 4.0 framework: A systematic literature review identifying the current trends and future perspectives. Process safety and environmental protection, v. 117, p. 408-425, 2018.

KERÄNEN, Kimmo et al. Infrared temperature sensor system for mobile devices. Sensors and Actuators A: Physical, v. 158, n. 1, p. 161-167, 2010.

KERÄNEN, Kimmo et al. Infrared temperature sensor system for mobile devices. Sensors and Actuators A: Physical, v. 158, n. 1, p. 161-167, 2010.4.

KEYENCE BRASIL - Empresa fornecedora de sensores, sistemas de medição, marcadores a laser, microscópios e sistemas de visão. Disponível em:

https://www.google.com/aclk?sa=l&ai=DChcSEwibhrPpoNv5AhWXc28EHc09ASMYABABGgJqZg&sig=AOD64_2b-wlvDSIpkNZbndbq2Y7WsfzI-g&q&adurl&ved=2ahUKEwig_6bpoNv5AhXJR7gEHWCgDOkQ0Qx6BAgDEAE

KLUMP, Rainer; JURKAT, Anne; SCHNEIDER, Florian. Tracking the rise of robots: A survey of the IFR database and its applications. 2021.

LATIF, Shahid et al. A blockchain-based architecture for secure and trustworthy operations in the industrial Internet of Things. Journal of Industrial Information Integration, v. 21, p. 100190, 2021.

LEE, Jay et al. Industrial Artificial Intelligence for industry 4.0-based manufacturing systems. Manufacturing letters, v. 18, p. 20-23, 2018.

LOBÃO, Fábio Santos; BAUCHSPIESS, Adolfo. Automatização da Calibração de Câmeras de Baixo Custo para Uso em Visão Computacional. Simpósio Brasileiro de Automação Inteligente (Setembro), Bauru, SP, 2003.

MANDEL, Constantin et al. Model-Based Systems Engineering Approaches for the integrated development of product and production systems in the context of Industry 4.0. In: 2020 IEEE International Systems Conference (SysCon). IEEE, 2020. p. 1-7.

MANDIC, Vesna. Model-based manufacturing system supported by virtual technologies in an Industry 4.0 context. In: Proceedings of 5th International Conference on the Industry 4.0 Model for Advanced Manufacturing. Springer, Cham, 2020. p. 215-226.

MENDES, Rosana Maria; MISKULIN, Rosana Giaretta Sguerra. A análise de conteúdo como uma metodologia. Cadernos de Pesquisa, v. 47, p. 1044-1066, 2017.

MINELLA, Felipe. Estudo da descarbonetação de aços baixa liga no tratamento térmico em atmosfera controlada. 2009.

MOELLMANN, Artur Henrique et al. Aplicação da teoria das restrições e do indicador de eficiência global do equipamento para melhoria de produtividade em uma linha de fabricação. Revista gestão industrial, v. 2, n. 1, 2006.

MUHURI, Pranab K.; SHUKLA, Amit K.; ABRAHAM, Ajith. Industry 4.0: A bibliometric analysis and detailed overview. Engineering applications of artificial intelligence, v. 78, p. 218-235, 2019.

O’LEARY, Paul. Machine vision for feedback control in a steel rolling mill. Computers in Industry, v. 56, n. 8-9, p. 997-1004, 2005.

OZTEMEL, Ercan; GURSEV, Samet. Literature review of Industry 4.0 and related technologies. Journal of Intelligent Manufacturing, v. 31, n. 1, p. 127-182, 2020.

SCHLEMMER, Eliane. Projetos de aprendizagem gamificados: uma metodologia inventiva para a educação na cultura híbrida e multimodal. Momento-diálogos em educação, v. 27, n. 1, p. 42-69, 2018.

SOUSA, Enes Amaral; SILVA, José Beroaldo; MACHADO, Ronnie Mário Conceição; Desenvolvimento de um dispositivo com sensor infravermelho para a medição de temperatura em materiais não reflexivos sem contato físico. In: CONGRESSO NACIONAL DE INICIAÇÃO CIENTÍFICA DA FACULDADE ENIAC, 17., 2017.

SZURGACZ, Dawid et al. Thermal imaging study to determine the operational condition of a conveyor belt drive system structure. Energies, v. 14, n. 11, p. 3258, 2021.

THOMAZINI, Daniel; DE ALBUQUERQUE, Pedro Urbano Braga. Sensores industriais: fundamentos e aplicações. Saraiva Educação SA, 2020.

USUGA CADAVID, Juan Pablo et al. Machine learning applied in production planning and control: a state-of-the-art in the era of industry 4.0. Journal of Intelligent Manufacturing, v. 31, n. 6, p. 1531-1558, 2020.

VILLALBA-DIEZ, Javier et al. Deep learning for industrial computer vision quality control in the printing industry 4.0. Sensors, v. 19, n. 18, p. 3987, 2019.

WANG, Pan et al. Introduction: Advances in IoT research and applications. Information Systems Frontiers, v. 17, n. 2, p. 239-241, 2015.

WENDLING, Marcelo. Sensores. Universidade Estadual Paulista. São Paulo, v. 2010, p. 20, 2010.

YILDIZ, Emre; MØLLER, Charles; BILBERG, Arne. Virtual factory: digital twin based integrated factory simulations. Procedia CIRP, v. 93, p. 216-221, 2020.

ZHAO, Rui et al. Deep learning and its applications to machine health monitoring. Mechanical Systems and Signal Processing, v. 115, p. 213-237, 2019.

Publicado

08-12-2023

Como Citar

Hanauer, A., & Cecconello, I. . (2023). Sensoriamento para automatização em processo industrial de tratamento térmico. Revista Produção Online, 23(2), 4846 . https://doi.org/10.14488/1676-1901.v23i2.4846

Edição

Seção

Artigos