Estudo de caso · Manufatura
Sonda de medição inspeciona um bloco de motor, com um técnico ao computador ao fundo

Motor de Qualidade Preditiva com IA

País
Brasil
Contexto
Uma das maiores fabricantes do mundo de componentes de ferro fundido de alta engenharia.
Cliente
O cliente não autorizou a divulgação do nome.

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.

Ver mais casos de estudo em Manufatura

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.