CRI Minas Indústria 4.0. Case Vallourec: Golden Batch na produção de tubos

Transcrição

1 CRI Minas Indústria 4.0 Case Vallourec: Golden Batch na produção de tubos

2 G o l d e n B a t c h A n a l y s i s Case Vallourec Líder mundial em soluções tubulares premium, a Vallourec assegura a máxima qualidade de seus produtos através de processos de ponta e rigorosos sistemas de avaliação. Neste cenário, a utilização de soluções de machine learning vem como um caminho natural na busca contínua da excelência na produção. 2

3 A G E N D A Nossa abordagem 1. Histórico 1.1 Fundadores 1.2 Trajetória 1.3 Cases 3. Solução 3.1 Definição e pesquisa 3.2 Desenvolvimento 2. Case Vallourec 2.1 Golden Batch analysis 2.2 Especificação do problema 4. Resultados 4.1 Resumo 4.2 Simulador

4 H i s t ó r i c o Sócios Fundadores Felipe Álvares felipe.alvares@hence-analytics.com. Chief Data Scientist. Matemático Computacional. Mestre e Doutor em Estatística (UFMG)) Milton Pifano milton.pifano@hence-analytics.com. Senior Data Scientist. Cientista da Computação. Mestre e Doutorando em Estatística (UFMG)) Acreditamos que a educação é o melhor caminho para a inovação. 4

5 H i s t ó r i c o Trajetória Especialização Mestrado LwD hence 1998 Microsoft ImageNet Competition Deep Learning 2016 Doutorado Sempre de olho no futuro 5

6 H i s t ó r i c o Cases Statistical Learning Otimização Não-Linear Machine Learning Machine Learning Estrutuação e limpeza dos dados Modelos dinâmicos para previsão de vendas de sementes híbridas de arroz Aplicativo Web interativo com segmentação de previsão por região de interese Alocação ótima de recursos de mídia Aplicativo Web interativo para a simulação e otimização de cenários variados Incorporação de IA no desenvolvimento de softwares para varejo Sistema de recomendação de produtos Sistema de previsão de vendas Golden Batch Analysis Aplicativo Web interativo para identificação de fatores de influência na geração de peças imperfeitas Recomendação de configurações ótimas para minimização de erros Soluções assertivas e personalizadas. De um jeito fácil e descomplicado. 6

7 C a s e V a l l o u r e c Golden Batch Analysis A ocorrência de defeitos é um fenômeno observado em qualquer linha de produção. Podem ocorrer por uma combinação imensa de fatores, inviabilizando a identificação por monitoramentos tradicionais.

8 C a s e V a l l o u r e c Golden Batch Analysis A ocorrência de defeitos é um fenômeno observado em qualquer linha de produção. Podem ocorrer por uma combinação imensa de fatores, inviabilizando a identificação por monitoramentos tradicionais. E se pudermos sair do tradicional?

9 C a s e V a l l o u r e c Especificação do problema Dados de entrada compostos por variáves como tipos de material, níveis de desgaste e parâmetros de calibragem Linha de produção já eficiente faz com que a identificação de defeitos seja um processo de detecção de anomalias Input Produção Classificação

10 C a s e V a l l o u r e c Especificação do problema Dados de entrada compostos por variáves como tipos de material, níveis de desgaste e parâmetros de calibragem Linha de produção já eficiente faz com que a identificação de defeitos seja um processo de detecção de anomalias Inteligência artificial como instrumento para a identificação de padrões complexos e influentes na geração de defeitos Input Produção Classificação Data Wrangling Feature selection Classification / Prediction / Recommendation Input Classificação Produção

11 S o l u ç ã o Definição e Pesquisa Chandola, Banerjee and Kumar, Anomaly detection: A survey. ACM computing surveys (CSUR), 41(3), p.15. Sun, Wong and Kamel, Classification of imbalanced data: A review. Internation Journal of Pattern Recognition and Artificial Intelligence, 23(04), pp Aprendizagem supervisionada Dados desbalanceados Ensemble learning Menardi and Torelli, Training and assessing classification rules with imbalanced data. Data Mining and Knowledge Discovery, 28(1), pp Chen and Guestrin, Xgboost: A scalable tree boosting system. In Proceedings of the 22nd acm international conference on knowledge discovery and data mining, pp Khoshgoftaar, Golawala and Hulse, An empirical study of learning from imbalanced data using random forests. In 19th IEEE international conference on tools with artificial intelligence, 2, pp

12 S o l u ç ã o Desenvolvimento 31 variáveis de entrada 4 tipos de erro considerados Seleção de métricas adequadas para o tratamento do desbalanceamento Seleção de modelos Estratégia de penalização x Balanceamento artificial Seleção de atributos mais relevantes Engenharia de atributos 12

13 S o l u ç ã o Resultados O modelo demonstrou ótima capacidade de separação nos cenários de teste No pior caso, o modelo teria previsto antecipadamente 66,67% da produção defeituosa No melhor caso, este percentual teria sido de 83,60% Pior caso Sensitividade (recall) Precisão Acurácia (IC 95%) (0.9869, ) Melhor caso Sensitividade (recall) Precisão Acurácia (IC 95%) (0.8815, 0.911)

14 S o l u ç ã o Simulador Aplicativo Web interativo para identificação de fatores de influência na geração de peças imperfeitas

15