Plataforma de Operações de Manufatura
Manufatura · Fornecedores Automotivos e Aeroespaciais
2024
enterprise
O que eles precisavam
A empresa opera cinco fábricas que produzem componentes metálicos de precisão para fornecedores automotivos e aeroespaciais. Cada fábrica acompanhava a produção com uma mistura de fichas de acompanhamento em papel, planilhas e um módulo de MES de 15 anos que só sincronizava durante a madrugada. Os supervisores de linha não tinham como ver o status das máquinas ou o andamento dos pedidos sem ir até um terminal, então as paradas muitas vezes ficavam sem registro por horas. A matriz não conseguia ver a capacidade entre as fábricas em tempo real, o que significava que pedidos atrasados só eram percebidos depois que um cliente ligava. Os clientes automotivos e aeroespaciais também esperavam registros rastreáveis e prontos para auditoria de paradas e causas-raiz sob demanda, algo que o processo baseado em papel não conseguia produzir rapidamente. A implantação de um novo ERP ainda estava a seis meses de distância e não resolveria sozinha a lacuna no nível do chão de fábrica.
O que nós construímos
A Prixelo construiu uma plataforma de acompanhamento de produção que ingere dados de máquinas e linhas — captados por sensores de IoT instalados retroativamente nos equipamentos existentes — por meio de streams de eventos Kafka, armazenando-os no PostgreSQL para relatórios e histórico de auditoria. Um painel em React dá a gerentes de fábrica e à liderança corporativa uma visão ao vivo de throughput, tempo de setup e causas de parada nas cinco fábricas, com detalhamento até uma única ordem de produção. Junto com isso, construímos um aplicativo móvel complementar para os supervisores de linha: uma interface em React que eles carregam no chão de fábrica, mostrando status de máquinas em tempo real, alertas abertos e metas de turno, com notificações push quando uma linha para. O backend em Node.js roda como um conjunto de serviços Docker por fábrica, de modo que uma queda de rede em um site nunca derruba os demais. Supervisores registram os motivos das paradas diretamente pelo aplicativo, em vez de usar uma ficha em papel.
Como nós abordámos isso
Escolhemos o Kafka para a ingestão de eventos de máquina — alimentado por sensores de IoT instalados retroativamente nos equipamentos existentes —, para que eventos de parada e tempo de ciclo fluíssem em tempo real, em vez das sincronizações noturnas em lote de que o antigo MES dependia.
Implantamos o backend em Node.js como contêineres Docker por fábrica, atrás de um gateway compartilhado, para que a queda de rede em uma fábrica nunca derrubasse o monitoramento das outras quatro.
Construímos o aplicativo dos supervisores como um PWA instalável em React, em vez de duas bases de código nativas, para que o time de TI pudesse enviar atualizações aos tablets do chão de fábrica sem os atrasos de revisão das lojas de aplicativos.
Modelamos os códigos de motivo de parada e as ordens de produção no PostgreSQL com um esquema pronto para auditoria, para que relatórios de causa-raiz pudessem ser extraídos diretamente para auditorias de qualidade dos clientes.
O impacto
Redução de Paradas Não Planejadas
Velocidade no Registro de Paradas
Máquinas e Linhas Conectadas
"Antes, só ficávamos sabendo de uma parada de linha na manhã seguinte, durante a sincronização noturna do MES. Agora um supervisor registra pelo aplicativo direto no chão de fábrica, e a matriz vê no mesmo minuto. Só essa mudança já pagou o projeto."
VP de Operações
Empresa de manufatura
Diga-nos o que
construir.
Traga-nos aquela que todos disseram ser demasiado difícil. Resposta gratuita e sem compromisso em 24 horas — NDA mediante pedido.