Sistema em Python para monitoramento de processos de laminação utilizando machine learning

Abstract

Com o pleno avanço da Industria 4.0 nos mais variados setores industriais, desponta como uma das principais ferramentas a utilização de técnicas de Machine Learning. Á medida que os processos ficam mais rápidos e assertivos, aumenta a necessidade de maiores aquisições de dados para monitoramento, classificação e aperfeiçoamento do produto. Este alto volume de dados torna inviável a aplicação de análises manuais por seres humanos e destaca-se assim algoritmos com técnicas capazes de trabalhar com diferentes bases de dados simultaneamente. As técnicas de Machine Learning, como Árvore de Decisão, são altamente recomendáveis para sistemas de classificação de produto. É possível, por meio de critérios pré-estabelecidos ou por regressão, analisar conjuntos de variáveis pré-definidas de acordo com padrões desejáveis e auxiliar na tomada de decisão por meio das suas saídas. Neste contexto, a proposta deste trabalho é desenvolver um algoritmo em Python utilizando a técnica de árvore de decisão para o controle de qualidade no processo de laminação, comparando sua eficiência frente aos sistemas utilizados atualmente para este mercado. A utilização da linguagem Python permitiu a manipulação de grande quantidade de dados por meio de ferramentas estatísticas, geração de gráficos, simulação e supervisório. Com isso, foi criado um sistema de monitoramento de processos de laminação baseado na técnica de Machine Learning Árvore de Decisão Classificatória, possibilitando o cálculo das regiões a serem descartadas no processo e o correto direcionamento do produto de acordo com as especificações dos clientes, optando por seguir o processo original, redirecionar para outro cliente ou sucatear o produto caso não haja a possibilidade de aproveitamento. O modelo apresentou uma acurácia de 83,33% e profundidade de 9 com ccp_alpha de 0,012. Resultando em um modelo otimizado com precisão de 83,58%, recall de 83,33% e f-score de 82,07%, onde concluiu-se ser possível construir um sistema eficiente para aplicação na indústria usando software de código aberto com baixo custo de implementação e manutenção, incluindo uma alta flexibilidade para fazer adaptações para cada demanda de processo.

With the full advancement of Industry 4.0 in the most varied industrial sectors, the use of Machine Learning techniques emerges as one of the main tools. As processes become faster and more assertive, the need for greater data acquisition for monitoring, classification and product improvement increases. This high volume of data makes the application of manual analyzes by humans unfeasible and thus highlights algorithms with techniques capable of working with different databases simultaneously. Machine Learning techniques, such as Decision Tree, are highly recommended for product classification systems. It is possible, through pre-established criteria or regression, to analyze sets of pre-defined variables according to desirable standards and assist in decision-making through their outputs. In this context, the purpose of this work is to develop an algorithm in Python using the decision tree technique for quality control in the lamination process, comparing its efficiency compared to the systems currently used for this market. The use of the Python language allowed the manipulation of large amounts of data through statistical tools, graph generation, simulation and supervision. With this, a lamination process monitoring system was created based on the Machine Learning Classification Decision Tree technique, enabling the calculation of the regions to be discarded in the process and the correct direction of the product according to customer specifications, opting for follow the original process, redirect to another customer or scrap the product if it cannot be used. The system presented an accuracy of 83.3%, where it was concluded that it was possible to build an efficient system for application in industry using open-source software with low implementation and maintenance costs, including high flexibility to make adaptations to each process demand.