Transformar o controlo de qualidade através da inteligência artificial

Num setor onde a qualidade do produto final tem impacto direto na satisfação do cliente e na reputação da marca, a deteção precoce de defeitos constitui um fator crítico para garantir a excelência operacional ao longo de toda a cadeia de valor. Neste contexto, a organização em questão procurava reforçar os seus processos de controlo de qualidade através da adoção de tecnologias avançadas que permitissem aumentar a eficácia da inspeção sem comprometer a produtividade das operações.

A empresa e o compromisso com a qualidade na indústria automóvel

A empresa em questão atua na indústria automóvel, um setor caraterizado por elevados requisitos de qualidade, rastreabilidade e eficiência operacional. Inserida num contexto produtivo altamente competitivo, a organização procura continuamente desenvolver soluções que reforcem a fiabilidade dos seus processos e assegurem que os produtos entregues aos clientes cumprem os mais elevados padrões de qualidade.

O foco da iniciativa incidiu sobre linhas de estampagem de elevada velocidade, responsáveis pela produção de componentes com geometrias complexas, onde a identificação atempada de defeitos representava um desafio crescente para as equipas operacionais.

Os desafios da inspeção em ambientes produtivos de elevada velocidade

À medida que os volumes de produção aumentavam e a complexidade das peças se tornava mais elevada, garantir uma inspeção eficaz e consistente passou a representar um desafio crescente para a organização. Num ambiente produtivo de elevada cadência, onde a deteção atempada de defeitos é essencial para assegurar a qualidade do produto final, tornou-se necessário reforçar a capacidade de inspeção sem comprometer a eficiência operacional. Neste contexto, foram identificados diversos desafios que limitavam a eficácia dos processos de controlo de qualidade.

Limitações da inspeção manual

A inspeção visual realizada por operadores continuava a desempenhar um papel importante na validação da qualidade das peças produzidas. No entanto, tal como acontece em muitas operações industriais, esta abordagem apresentava limitações associadas à subjetividade da avaliação humana, à fadiga operacional e à dificuldade em manter níveis consistentes de desempenho ao longo do tempo.

Dificuldade em assegurar uma cobertura total das peças

As geometrias complexas dos componentes estampados exigiam um nível de inspeção cada vez mais rigoroso. No entanto, a dificuldade em observar determinadas áreas das peças limitava a eficácia do processo existente e aumentava o risco de não conformidades avançarem para etapas posteriores da produção.

Necessidade de decisões em tempo real

A elevada velocidade das linhas de estampagem exigia que qualquer sistema de inspeção fosse capaz de acompanhar o ritmo produtivo sem introduzir atrasos ou interrupções na operação. Mais do que identificar defeitos, era necessário disponibilizar informação de forma imediata, permitindo uma atuação rápida perante potenciais desvios e reforçando a capacidade de controlo do processo.

Flexibilidade para a introdução de novas referências

A introdução frequente de novas referências e variações de produto constituía igualmente um desafio. As abordagens tradicionais de visão artificial frequentemente exigem grandes volumes de imagens com defeitos para treinar modelos de deteção, o que torna os processos de implementação morosos e difíceis de escalar. Existia, por isso, a necessidade de uma solução mais flexível e adaptável à dinâmica da produção automóvel.

Da inspeção manual à deteção inteligente de anomalias

Com o objetivo de aumentar a robustez do processo de inspeção e responder aos desafios associados à crescente complexidade da produção, foi implementada uma solução baseada em visão computacional e inteligência artificial. A abordagem permitiu automatizar a deteção de defeitos, melhorar a capacidade de resposta perante desvios de qualidade e reforçar a consistência do controlo realizado ao longo da operação. As principais iniciativas implementadas encontram-se descritas de seguida:

Sistema de visão computacional multicâmara

A solução foi desenvolvida com recurso a seis câmaras por linha de produção, estrategicamente posicionadas para captar diferentes perspetivas de cada componente. Esta abordagem permitiu eliminar as limitações associadas às geometrias complexas das peças e aumentar significativamente a cobertura da inspeção.

Ao garantir a observação de múltiplos ângulos em simultâneo, tornou-se possível reduzir zonas cegas e aumentar a probabilidade de deteção de defeitos superficiais e estruturais.

Aplicação de modelos de inteligência artificial baseados em few-shot learning

Uma das características diferenciadoras da solução foi a utilização de modelos de inteligência artificial assentes em técnicas de Few-Shot Learning (FSL).

Ao contrário das abordagens convencionais, que dependem de grandes volumes de imagens de defeitos para treino, o sistema foi treinado utilizando apenas peças conformes. Desta forma, qualquer desvio ao comportamento esperado passou a ser identificado automaticamente, reduzindo o esforço necessário para preparação de dados e acelerando assim a implementação de novas referências.

Figura 1 – Identificação de anomalias com recurso a visão computacional

Esta abordagem permitiu acelerar a introdução de novas referências e aumentar a capacidade de adaptação do sistema às necessidades da produção.

Análise avançada para deteção de defeitos

O sistema passou também a gerar mapas de probabilidade de defeitos, permitindo identificar visualmente as zonas com maior probabilidade de apresentarem anomalias.

Esta funcionalidade não só aumentou a precisão da deteção como facilitou a interpretação dos resultados pelos operadores e equipas de qualidade, tornando o processo de decisão mais rápido e eficaz.

Figura 2 – Resultado da análise automática e classificação de defeitos

Integração com os sistemas produtivos

A integração com os sistemas de automação e com os PLCs (Controladores Lógicos Programáveis) permitiu estabelecer uma comunicação em tempo real entre a solução de visão computacional e a linha de produção. Desta forma, tornou-se possível gerar alertas automáticos e acionar mecanismos de resposta sempre que fossem detetadas potenciais anomalias, reforçando a capacidade de controlo da qualidade ao longo da operação

Ganhos operacionais e reforço da qualidade

A implementação da solução permitiu reforçar a eficácia do processo de inspeção e aumentar a robustez do controlo de qualidade ao longo da operação. Para além dos ganhos ao nível da eficiência operacional, a organização passou a dispor de uma maior capacidade de deteção, resposta e monitorização dos potenciais desvios de qualidade, contribuindo para uma operação mais fiável e consistente.

Resultados quantitativos

• Redução dos recursos necessários para atividades de inspeção manual, equivalente a 1 ETI por transportador e por turno;
• Poupança estimada de 175.000 € por linha de produção.

Resultados qualitativos

• Maior rapidez na introdução de novas referências, reduzindo significativamente a necessidade de criar bases de dados extensas de defeitos;
• Redução da existência de pontos cegos no processo de inspeção;
• Reforço da capacidade de atuação em tempo real perante potenciais desvios de qualidade;
• Maior robustez e consistência do processo de controlo de qualidade

A transformação digital ao serviço da excelência operacional

Este caso demonstra como a combinação entre visão computacional, inteligência artificial e automação industrial pode transformar os processos de controlo de qualidade em ambientes produtivos de elevada exigência. Ao reforçar a capacidade de inspeção e ao disponibilizar informação em tempo real, a organização conseguiu reduzir a dependência de atividades manuais, aumentar a fiabilidade da deteção de defeitos e melhorar a capacidade de resposta perante potenciais desvios de qualidade.

À medida que a inteligência artificial e as tecnologias digitais assumem um papel cada vez mais relevante na indústria, muitas organizações enfrentam o desafio de compreender como aplicar estas ferramentas de forma prática e sustentável nas suas operações. Embora a rapidez da evolução tecnológica possa gerar alguma incerteza, a realidade demonstra que existem oportunidades concretas para criar valor quando estas soluções são implementadas de forma alinhada com os objetivos do negócio e as necessidades operacionais.

Mais do que adotar novas tecnologias, o verdadeiro desafio passa por desenvolver as competências necessárias para as compreender, integrar e utilizar de forma eficaz no dia a dia. Com a abordagem certa, a inteligência artificial deixa de ser um conceito abstrato e transforma-se numa ferramenta capaz de apoiar a tomada de decisão, melhorar a qualidade e aumentar a eficiência dos processos.

No Kaizen Institute, acreditamos que a transformação digital só gera resultados sustentáveis quando é acompanhada pelo desenvolvimento das pessoas. Por isso, apoiamos organizações de diferentes setores na identificação de oportunidades, implementação de soluções digitais e capacitação das equipas, combinando consultoria especializada, formação prática e metodologias de melhoria contínua para acelerar a criação de valor.

Respeitamos os acordos de confidencialidade dos nossos clientes. Embora tenhamos alterado ou omitido nomes, os resultados são reais.