Têxtil / Vestuário sob medida · Estônia · 2025

Sombra digital revela gargalos invisíveis em linha de roupas esportivas sob medida

Uma pequena indústria de vestuário sob medida adotou uma sombra digital (mais simples e barata que um gêmeo digital bidirecional) para enxergar, em tempo real, onde a produção travava — e usou agrupamento e detecção de anomalias para apoiar a decisão dos gestores.

Empresa: PMI estoniana de roupas esportivas sob medida (caso AIRE) Desafio: Operacional Estágio: Piloto

Contexto

A empresa produz roupas esportivas sob encomenda, com fluxo flexível e variado. Os dados de produção estavam fragmentados e a infraestrutura digital era limitada, o que impedia enxergar em tempo real onde estavam os gargalos. O projeto foi desenvolvido dentro da iniciativa AIRE (AI and Robotics Estonia), voltada a PMIs.

O problema prioritário

Sem visibilidade em tempo real do chão de fábrica, gargalos recorrentes passavam despercebidos e decisões de balanceamento de linha eram tomadas por intuição, sem base em dados confiáveis.

Objetivo do projeto

Ganhar visibilidade em tempo real do desempenho de cada estação com uma solução compatível com o orçamento de uma PMI, apoiando — e não substituindo — a decisão humana.

Passo a passo da jornada

  1. Mapear estações e indicadores — Identificaram as estações-chave da linha e definiram indicadores por estação (tempo de ciclo, ocupação, paradas), incluindo registro feito pelo próprio operador.
  2. Estabelecer a sombra digital — Optaram deliberadamente por sombra digital (físico → digital, mão única) em vez de gêmeo bidirecional. Coleta em tempo real configurada na plataforma DIMUSA.
  3. Tratar e rotular os dados — Limparam, normalizaram e rotularam estados operacionais (normal, lentidão, parada), com controle de qualidade — pré-condição para qualquer análise.
  4. Agrupar estados e detectar anomalias — Aplicaram K-means para agrupar estados operacionais (com método do cotovelo/silhueta para escolher o número de grupos) e DBSCAN para identificar estados raros e anomalias.
  5. Simular cenários antes de mexer na linha — Testaram virtualmente rebalanceamento de estações, criação de buffers e realocação de pessoas antes de aplicar qualquer mudança no processo real.
  6. Apoiar a decisão e iterar — Entregaram os gargalos recorrentes em painéis visuais interpretáveis, com a decisão final sempre da equipe — e repetiram o ciclo continuamente.

Dados necessários

  • Tempo de ciclo, ocupação e paradas por estação
  • Registros manuais do operador (entrada/saída, motivos de parada)
  • Estados operacionais rotulados (normal, lentidão, parada, anomalia)

Ferramentas e arquitetura

Plataforma DIMUSA (Digital Manufacturing Support Application) K-means (agrupamento de estados) DBSCAN (detecção de anomalias) Simulação de fluxo de produção Python / R

Barreiras enfrentadas

  • Dados de produção fragmentados antes do projeto
  • Resistência inicial ao registro manual de dados pelos operadores
  • Infraestrutura digital limitada, típica de PMIs

Aprendizados-chave

  • Para a maioria das PMIs, uma sombra digital (mão única) resolve a dor de visibilidade sem o custo de um gêmeo digital bidirecional.
  • Painéis interpretáveis pelo encarregado valem mais que modelos sofisticados que ninguém usa.
  • Operadores são, ao mesmo tempo, a principal fonte de dados e os usuários finais — precisam estar engajados desde o início.

Resultados

Gargalos visíveis
identificação de gargalos recorrentes que antes passavam despercebidos
Decisão apoiada
insights visuais interpretáveis para gestores e operadores, sem exigir formação avançada em dados
Base escalável
fundação para a transformação digital posterior, sem comprometer caixa da PMI

Fonte

Applied Sciences (MDPI) — Raamets et al., 2025