
Motor de Qualidade Preditiva com IA
Introdução
O cliente tinha o desafio de garantir a qualidade dos seus produtos (blocos e cabeçotes) por meio de ensaios rigorosos de propriedades mecânicas. Hoje, medir propriedades como dureza e tração é um processo lento e caro, que muitas vezes envolve ensaios destrutivos em laboratório.
Como essas propriedades mecânicas resultam de uma interação complexa entre a composição química da liga metálica e vários parâmetros do processo de fabricação, a empresa buscava uma forma automatizada de prever esses resultados. O objetivo era identificar não conformidades cedo, permitindo correções a tempo e reduzindo a necessidade de ensaios físicos.
Metodologia
O projeto foi executado como uma POC focada no desenvolvimento de modelos de machine learning para prever as propriedades ao longo da linha de produção. A metodologia seguiu estas fases principais:
- Descoberta e seleção do material: a equipe analisou inicialmente vários materiais e selecionou um material crítico, com maior volume de dados e um histórico relevante de reprovações em ensaios, para garantir a robustez do modelo.
- Saneamento e preparação dos dados: os dados foram curados a partir da plataforma do cliente, com a limpeza das análises químicas, das análises térmicas e dos parâmetros de fundição. Esta fase tratou valores ausentes, zeros incorretos em variáveis como temperatura ou tempo de desmoldagem, e problemas de associação em que lotes estavam ligados a composições inconsistentes.
- Análise exploratória de dados (EDA): fizemos uma análise exaustiva de 30 variáveis de processo e 17 ensaios mecânicos. Isso incluiu avaliar correlações de Spearman para identificar multicolinearidade entre as variáveis e a relação delas com os alvos mecânicos.
- Modelagem e engenharia de variáveis: depois de testar modelos complexos como Random Forests e Redes Neurais, a regressão Ridge foi escolhida pelo desempenho superior nesse conjunto de dados. Desenvolvemos variáveis próprias, incluindo propriedades físicas estimadas e variáveis polinomiais quadráticas para capturar padrões não lineares.
- Seleção de variáveis: foi implementado um processo de seleção sofisticado, com Forward Feature Selection (FFS) e Backward Feature Selection (BFS), otimizando o modelo para cada uma das 17 características mecânicas.
- Implantação: a solução foi entregue como um pacote Python encapsulado e versionado, com uma interface de linha de comando (CLI) e uma API Python.
Resultados
O projeto mapeou com sucesso os limites técnicos da qualidade preditiva no processo de fundição da empresa, oferecendo uma ferramenta estratégica para a inovação. O modelo de IA entregue é capaz de prever 17 características mecânicas diferentes (dureza e tração) a partir de dados de fundição e de química.
Está enfrentando um desafio parecido?
Cada operação tem as suas próprias restrições. Conte o que você tem em mente e a gente conversa sobre o que daria para fazer no seu caso, sem compromisso.