Palavras-chave como "deep learning" (ou "aprendizagem profunda") e "Big Data" (ou "grande volume de dados") levam à suposição de que analistas de dados, usando softwares livres, podem encontrar facilmente soluções para problemas técnicos. Entretanto, a análise de projetos industriais fracassados mostra que o sucesso só é possível se conceitos e conhecimentos de processo comprovados forem combinados de maneira adequada com novos métodos para criar soluções. A proporção do uso de Big Data em tais soluções é de, no máximo, 20%. A combinação certa de abordagem sistemática, modelos clássicos e redes neurais estáveis ou outros métodos de “caixa preta”, ou seja, métodos que funcionam sem “know-how” específico de processo, leva ao sucesso.

A Associação dos Engenheiros Alemães (Verein Deutsche Ingenieure – VDI) elaborou a nova diretriz VDI 3714, que foi publicada em junho de 2019 como projeto oficial. Sob o título “Implementação e operação de aplicações de ‘Big Data’ na indústria de manufatura”⁽¹⁾ , esse texto foi elaborado pelo comitê de diretrizes RA 7.24, altamente especializado, e descreve um procedimento de acordo com o atual estado da arte.

Dividido em sete documentos, ele trata de todos os conteúdos relevantes para esse tópico e apresenta mais de 180 páginas com conteúdo sobre a qualidade de dados, sua importação (extrato – transporte – carregamento, o u processo “ETL”: Extract – Transport – Load), classes de procedimentos de análise, modelos, validação de modelos e a aplicação on-line desses sistemas. Se essa diretriz for aplicada de forma consistente e combinada com um profundo conhecimento do processo, software profissional e gestão de processos, podem ser desenvolvidos sistemas que tornem controlável cada processo técnico de produção.

Fig. 1 – Modelo com alta precisão: comparação entre os valores previstos pelo modelo (linha laranja)
com os dados de teste (linha verde) (atlan-tec)

SIPOC – quadro completo de dados de produção

Constantemente, tenta-se obter uma definição sobre a qualidade do produto a partir dos “dados da máquina” puros. Como as matérias-primas geralmente têm influência decisiva no resultado final, tais tentativas estão normalmente fadadas ao fracasso. Para modelar com sucesso um processo e otimizá-lo é absolutamente necessário dispor de um quadro geral completo de todos os procedimentos em torno do processo produtivo.

De acordo com a diretriz VDI 3714, um dos possíveis modelos de processo organizacional para projetos baseados em Big Data é o uso dos conceitos de seis sigma. Eles são descritos na norma técnica DIN ISO 13053-2 (2) . O conceito “SIPOC” (Supplier, Input, Process, Output, Customer, ou Fornecedor, entrada, processo, saída, cliente) é descrito com mais detalhes, assumindo a forma de um método, na Ficha Informativa n° 9. Essencialmente, isso consiste em assegurar, de forma metódica, a integridade dos dados usados no modelamento de um processo.

“Fornecedor”, assim como “entrada”, refere-se ao fato de que é necessário dispor de conhecimento muito preciso sobre suas fontes, fornecedores e matérias-primas. No caso dos plásticos, isso significa que pode ser eventualmente necessário conhecer os valores de cor, comprimento médio da cadeia, densidade, índice/taxa de fluidez do “cliente”, implica que deve haver pelo menos análises ou medições laboratoriais rotineiras para avaliar a qualidade do produto. O ideal é que também se trate de um indicador-chave de desempenho (KPI, Key Performance Indicator) para avaliação por parte do cliente final.

Os tempos de amostragem e de passagem do material pela máquina devem ser conhecidos com exatidão para que possam ser atribuídos parâmetros de qualidade à matéria-prima, e aos dados de equipamentos de forma significativa. Quanto mais amostragens devem ser documentadas. O cumprimento destes requisitos pode ser verificado com um teste de prontidão, o qual requer esforço equivalente a dois homens/dia e que consiste em cerca de 150 perguntas que têm de ser respondidas por um consultor profissional.

Depuração e modelamento dos dados

Quando todos os dados estiverem disponíveis, eles primeiramente devem ser submetidos ao processamento e depuração. Vários métodos estão disponíveis para este fim, alguns dos quais são oferecidos como ferramentas de software profissional, e alguns são totalmente automatizados. O objetivo é gerenciar o processo ao longo de sua execução, detectar distorções (por exemplo, análises laboratoriais falhas), remover inconsistências e redundâncias, e assim criar um banco de dados limpo e consistente que permita uma análise precisa.

O estado da arte aqui consiste na aplicação de correlações lineares e análise de componentes principais (PCA, Principal Component Analysis), que dificilmente são adequadas, uma vez que só encontram correlações lineares. Métodos mais recentes como de “Informação mútua” (um termo teórico que designa a força da relação entre duas quantidades) ou “Análise de entropia” (ver box ao lado) são mais adequados, pois fornecem uma orientação inicial sobre quais propriedades da matéria-prima e dados medidos nos equipamentos exercem influência sobre os parâmetros de qualidade do produto. Algumas constatações são triviais, tais como o fato de que a quantidade de material introduzido e a velocidade de extração certamente exercerão influência sobre a espessura de um filme. Esses fatos só podem ser identificados com conhecimento do processo e, por exemplo, os dados que não se encaixam podem ser separados ou corrigidos.

Aqui é especialmente necessário ter cautela, pois os procedimentos só revelam correlações e não causalidades. Ainda assim vale a pena comparar criticamente a experiência dos operadores das máquinas com os resultados dessas análises. Podem ser encontradas explicações ou variáveis de influência previamente desconhecidas, e os resultados das análises estatísticas podem ser verificados com conhecimento empírico. Se as principais variáveis influenciadoras forem conhecidas, então os dados relevantes podem ser usados para criar modelos. Já existem softwares que criam tais modelos de forma totalmente automática a partir dos dados disponíveis.

Fig. 2 – Influência das variáveis independentes do modelo sobre a permeabilidade: a análise de
sensibilidade mostra a alteração máxima na permeabilidade quando o valor de uma variável
independente sofre alteração de 1% em sua faixa de valores (atlan-tec)

 

Previsão da permeabilidade de filmes ao oxigênio

Foram efetuados vários testes em uma linha constituída por extrusora com rosca dupla co-rotativa, matriz plana e calandra, instalada no Centro de Plásticos da Alemanha Meridional (Süddeutsches Kunststoff-Zentrum, SKZ), a qual dispunha de um dispositivo para medição de permeabilidade em linha produzido pela Atline. Foi possível determinar a permeabilidade de Hélio (He) em filmes, a partir da qual a permeabilidade do oxigênio pode ser calculada utilizando uma equação linear. Foram testadas resinas como PEAD, PA 46, PET, PP e PS, e posteriormente somente PP e PE foram investigados. Pela análise de entropia foi possível identificar duas propriedades da matéria-prima, uma pressão diferencial, a velocidade dos cilindros e duas temperaturas que foram consideradas as variáveis que mais influenciaram a permeabilidade ao oxigênio. A seguir, o modelo foi testado usando 186 registros de dados que não haviam sido usados no modelamento original.

A aplicação do modelo neural a uma resina de PEAD contendo pigmentos mostrou que os valores de permeabilidade foram próximos dos efetivamente medidos no filme produzido. Portanto, o modelo prevê a permeabilidade das amostras com muita precisão (figura 1); foram constatados pequenos desvios apenas entre os conjuntos de dados de números 45 a 55 e nos conjuntos finais. Entretanto, esses desvios também podem decorrer de falhas do laboratório ao analisar a amostra, especialmente porque o modelo mostra uma precisão muito alta nos outros pontos.

Foram então realizadas análises de sensibilidade no modelo, investigando relações causais individuais entre as variáveis de entrada e as de qualidade. Para isso, os dados de entrada do modelo foram alterados de forma sistemática, sendo a correspondente reação da permeabilidade observada e analisada estatisticamente. A figura 2 mostra a ponderação das variáveis resultantes do modelo, de acordo com sua importância. Pode ser visto que uma característica de um determinado aditivo (Q1in) exerce influência muito forte sobre a permeabilidade. A figura 3 mostra um exemplo da influência de uma certa temperatura controlada do processo sobre a permeabilidade.

Fig. 3 – Seção realizada pelo modelo com sete dimensões (todas as seis entradas do modelo, exceto
uma, permanecem em seu valor médio). O exemplo mostra que a permeabilidade também aumenta
quando uma determinada temperatura de processo é aumentada. Linha em cor laranja: saída do
modelo; e verde: dispersão do modelo devido à falta de conjuntos de dados (atlan-tec)
 

Sensores virtuais e regulação inteligente do processo

Isso torna o modelo adequado para atuar como “sensor virtual” (soft sensor). Assim, ele pode substituir, ou complementar, uma análise laboratorial e prever seus resultados. No lugar das amostras aleatórias individuais e a necessária amostragem destrutiva decorren te de sua extração por puncionamento, um sensor virtual pode fazer o prognóstico exato da permeabilidade a cada segundo e ativar imediatamente alarmes no caso de desvios de qualidade, para que as devidas contramedidas possam ser adotadas. Esta medida por si só aumenta significativamente a capacidade do processo, uma vez que cada desvio de qualidade pode ser detectado imediatamente. Para tanto, o sensor virtual é conectado ao sistema de controle da máquina.

O modelo também pode ser usado para controlar o processo de forma que não ocorra nenhum desvio na qualidade. Aqui, por exemplo, os valores da velocidade de rotação da extrusora, velocidade dos cilindros e temperaturas podem ser controlados de tal forma que eventuais alterações nas propriedades da matéria-prima possam ser compensadas adequadamente. Para isso, são usadas abordagens especiais de otimização, baseadas em algoritmos genéticos, que atuam no controle da máquina e mudam os seus valores de ajuste.

Conclusão

A adoção de uma solução padronizada, que é tema de várias normas técnicas e que já está em uso em outros setores industriais, como a indústria química, refinarias e de tratamento de água, tornou possível o desenvolvimento de uma solução em um curto espaço de tempo, a qual reduz a necessidade de análises de laboratório e permite melhoria significativa na capacidade e qualidade do processo. Além das propriedades de barreira de filmes, outras características também podem ser previstas e controladas de forma confiável.