FIT's Software Laboratory conducts research, development and innovation projects in software and information systems, focusing on applying new

Transcrição

1

2 FIT's Software Laboratory conducts research, development and innovation projects in software and information systems, focusing on applying new technologies to add value to its

3 Tópicos Competências em Software Metodologia IoT no FIT Estudo de Caso Soluções Propostas Resultados Parciais Conclusão.

4 1 Competências em Software

5 Arquitetura Design & Usabilidade UEFI Sistemas embarcados & Diags. Computação em Núvem Software QA Virtualização

6 HEAD COUNT 120 Profissionais 07 Times 04 Labs 003 PHD 008 MSC 045 MBA 040 Grad. 024 Tecnologists. 01 Great Team

7 2 Metodologia

8 Nova Oportunidade Abordagem de novos Projetos - Descrição sucinta - Design thinking* - Definição de Objetivos - Proposta de trabalho - Modelo de arquitetura - Definição do escopo inicial - 1a. Versão de cronograma - Investimento.

9 3 IoT no FIT

10 Em resumo - Em 2007 primeiro projeto - Spin Off de um projeto de RFID para coleta de dados em ambiente industrial. - A partir de 2008 projetos e pilotos em IoT passaram a ocorrer com mais frequência, sempre em paralelo com projetos de RFID e automação.

11 4 Estudo de caso.

12 Contexto O Cliente : Fornecedor mundial de servidores High End / Infraestrutura de rede. Alto Volume Alto padrão de qualidade Produção global Contract Manufacturer Objeto : Efeito borboleta Detecção e prevenção global de falhas Gestão global de

13 Cenário Complexidade alta em se aplicar o modelo de qualidade do Cliente uma vez que cada manufatura possui suas métricas e modelo operacional, processos e etc Diferentes manufaturas usam diferentes equipamentos, exigindo customizações de softwares, componentes de rede e etc para chegar às informações requeridas. Abordagens tais como : Processos Software Qualificação de equipamento Provaram baixo retorno global.

14 Cenário Caso Típico :

15 Visão Sistêmica ERP Eng Prod Setup

16 5 Solução Proposta

17 Pilares 100% independente de tecnologias e produtos Camada independente para coleta e tratamento de informação. Globalmente replicável Coleta de informações online Interfaces simples para consumo de informação

18 Grupos de trabalho Hardware e automação : Wireless* Sensor Network (Temp, Humidade, Pressão) Sub-estações de concentração de dados Software de coleta e manipulação Coleta de arquivos de configuração e operação padrão de máquinas Técnicas de aprendizado de máquina para qualificação e construção de informações. Software de gestão, controle e integração Integração com sub estações, Interfaces padrão para sistemas legados Sistemas de informação padrão DSS

19 Modelo geral SMT Sensor Array SMT Logger Tier #1 Box Raw Sensor FT Sensor Array M.E.S Logger Map Reduc e Local DSS ERP Logger Tier #2 Box Raw Business BOM change Logger Implementad o Experimental

20 6 Resultados Parciais

21 Execução Piloto Piloto em 1 linha de produção padrão Tempo de execução : 2 semanas 10K componentes/hora boards por hora Volumes de dados coletados 1Tb por hora (sensors, log files ) 500Mb (Aprox) de informações sistêmicas. Engine de MapReduce padrão Sumarização de dados executados com ferramentas de Mercado.

22 Análises Charts mostram variações de leituras para a mesma placa. Os relatórios e cubos (BI) possibilitaram rastrear de forma reversa todos os passos da construção da placa. Engenharia detectou variações mínimas em temperatura e pressão de aplicação em componentes que corroboram diretamente com falhas encontradas durante os testes finais de qualidade. Controle por IA, possibilitou ajustes mínimos na operação de inserção de componentes evitando falhas no fim da cadeia de produção.

23 Data Charts

24 Data Charts

25 7 Conclusão

26 Conclusão O Sistema final de hardware e software provou ser : Replicável, porém suscetível a interferências adversas. Redundância de sensores aliados aos algorítimos tolerantes à falhas devem ser implementados na solução pré-replicação. O modelo de aprendizado de máquina empregado deve ser otimizado para convergir mais rapidamente. Modelo de processamento em larga escala demonstra eficiência para replicação em larga escala.

27 The best way to foresee the future is to create it. Peter Drucker

28