PRECISÃO NA DOSAGEM DE MATÉRIAS-PRIMAS EM FÁBRICAS DE NUTRIÇÃO ANIMAL UTILIZANDO TÉCNICAS DE MACHINE LEARNING

Abstract

Empresas que atuam no desenvolvimento de soluções para processo batch voltado a nutrição animal tem-se dedicado a tornar o MES (Sistema de Execução da Manufatura) juntamente ao controle de automação em um sistema especializado, onde busca-se melhor precisão na dosagem dos produtos. Porém a parametrização ainda é realizada pela equipe de operação de forma manual. Este cenário indica vulnerabilidade dos processos produtivos relacionado a precisão na dosagem. Por este motivo propomos utilizar machine learning, seguindo uma abordagem supervisionada, onde submetemos os dados de um sistema de dosagem aos modelos de regressão linear, árvore de decisão e redes neurais artificiais. Sendo possível a partir do setpoint de dosagem prever os melhores parâmetros para garantir a precisão na dosagem. Dos modelos utilizados a árvore de decisão foi o modelo que teve o pior desempenho. Podemos indicar que tanto a regressão linear quanto a rede neural apresentaram bons resultados de predição. Atingindo valores de diferenças máximas e mínimas abaixo de 1% para rede neural, e entre 1,57% e 3,42% para a regressão linear, mas com diferença média abaixo de 1% para ambos os modelos. Utilizando machine learning este trabalho apresentou uma solução que facilitou a configuração e melhorou a precisão na dosagem de matérias-primas em fábricas de nutrição animal. Porém a solução não se limita a este processo, podendo ser utilizado a qualquer processo produtivo que utilize sistemas de dosagem por batelada. Além disso o conceito pode ser utilizado amplamente para outras soluções como indicação de necessidade de manutenção do sistema de dosagem, entre outros.