Machine Learning-Based Analysis of Critical Process Parameters Influencing Product Quality Defects: A Real-World Case Study in Manufacturing

Este estudo apresenta uma aplicação de modelos de aprendizado de máquina em um cenário real de manufatura para prever e prevenir defeitos em peças fundidas de componentes de powertrain, analisando parâmetros críticos do processo de fabricação de núcleos e permitindo uma transição de um controle de qualidade reativo para um proativo.

O essencial

Imagine que você é um padeiro famoso que faz pães incríveis. O seu segredo não é apenas a receita, mas o forno e a massa. Se a massa não estiver na temperatura certa ou se o forno tiver um defeito, o pão sai queimado, achatado ou com buracos. No mundo industrial, isso é chamado de "fundição": eles derretem metal e o colocam em moldes de areia para criar peças complexas para caminhões e máquinas pesadas.

Este artigo é como a história de um padeiro (uma empresa de peças automotivas) que decidiu parar de apenas olhar para o pão queimado depois de pronto e começou a usar um super-robô inteligente para prever quando o pão vai sair errado, antes mesmo de ir ao forno.

Aqui está a explicação do que eles fizeram, passo a passo:

1. O Problema: O "Pão Queimado" da Indústria

Antigamente, para garantir a qualidade, os inspetores olhavam para cada peça de metal depois que ela era feita. Se achassem um defeito (como um buraco ou uma rachadura), jogavam fora.

• O problema: Isso é caro, demorado e, pior, é reativo. Ou seja, o estrago já aconteceu. É como descobrir que o bolo caiu só depois de tirar do forno.

2. A Solução: O "Oráculo" de Máquina (Inteligência Artificial)

A empresa decidiu usar Machine Learning (Aprendizado de Máquina). Pense nisso como um detetive superinteligente que lê milhões de diários antigos.

• Eles pegaram dados de três lugares:
  1. O Diário da Produção: O que cada máquina fez e quando.
  2. O Diário da Qualidade: Quais peças deram errado e por quê.
  3. O Diário da Manutenção: Quando as máquinas quebraram ou foram consertadas.

O objetivo era ensinar o computador a encontrar padrões. "Ah, sempre que a areia está muito quente e a máquina A faz uma manutenção atrasada, aparece um buraco na peça!"

3. O Processo: A Receita do Detetive (CRISP-DM)

Eles seguiram uma receita passo a passo chamada CRISP-DM (que é como um guia de culinária para cientistas de dados):

1. Entender o Negócio: "Precisamos parar de jogar peças fora."
2. Entender os Dados: "Vamos ler os diários." Eles descobriram que 90% dos problemas vinham de apenas 5 tipos de defeitos (como "buracos de ar" ou "peças montadas errado").
3. Preparar os Dados: "Vamos limpar a bagunça." Eles organizaram os dados, tiraram informações erradas e equilibraram as coisas (já que a maioria das peças é boa, e poucas são ruins, o computador precisava aprender a não ignorar as ruins).
4. Treinar o Modelo: Eles usaram dois tipos de "cérebros" de computador:
   • Floresta Aleatória (Random Forest): Imagine uma equipe de 100 especialistas debatendo. Cada um dá uma opinião, e a maioria vence. É muito seguro e difícil de errar.
   • Gradient Boosting: Imagine um aluno que erra uma prova, estuda o erro, faz a prova de novo, erra de novo, estuda mais, e assim por diante, até ficar perfeito.
5. Testar: Eles deram novos dados para ver se os "cérebros" acertavam.

4. O Resultado: O Detetive Acertou!

Os modelos funcionaram muito bem!

• Eles conseguiram prever com cerca de 60% a 74% de precisão se uma peça ia sair com defeito.
• A grande descoberta: O computador aprendeu que a temperatura da areia era o fator mais importante (como a temperatura do forno para o pão). Mas também descobriu que cada máquina tinha sua própria personalidade: a "Máquina A" se importava mais com o tempo de secagem, enquanto a "Máquina B" sofria mais se a manutenção fosse atrasada.

5. Por que isso é importante? (A Analogia Final)

Imagine que você tem um carro.

• O jeito antigo (Reativo): Você dirige até o motor fundir, para na estrada, e o mecânico conserta. Você fica preso e gasta muito.
• O jeito novo (Preditivo com IA): O painel do carro avisa: "Ei, a temperatura do motor está subindo e o óleo está velho. Se você não trocar o óleo hoje, o motor vai fundir amanhã".

O que este artigo diz:
Ao usar essa "inteligência", a fábrica pode parar a máquina antes de fazer a peça ruim. Eles podem ajustar a temperatura ou fazer uma manutenção rápida.

• Resultado: Menos peças jogadas fora, menos dinheiro perdido e caminhões mais seguros nas estradas.

Resumo em uma frase

Os pesquisadores ensinaram um computador a ler os "sinais de fumaça" das máquinas de fundição para avisar os trabalhadores quando algo vai dar errado, transformando a fábrica de um lugar que apenas conserta erros para um lugar que previne erros.

Resumo técnico

Aqui está um resumo técnico detalhado do artigo "Machine Learning-Based Analysis of Critical Process Parameters Influencing Product Quality Defects: A Real-World Case Study in Manufacturing", traduzido e adaptado para o português:

Título: Análise Baseada em Aprendizado de Máquina de Parâmetros Críticos de Processo que Influenciam Defeitos de Qualidade do Produto: Um Estudo de Caso Real na Manufatura

1. Problema e Contexto

O controle de qualidade na indústria de fundição (especialmente na fabricação de componentes de trens de força para veículos pesados) enfrenta desafios significativos com os métodos tradicionais.

• Limitações Atuais: As abordagens convencionais (inspeção visual, testes funcionais e Controle Estatístico de Processo - SPC) são reativas, demoradas e custosas. Elas identificam defeitos apenas após a ocorrência, levando a altas taxas de sucata e custos adicionais.
• Cenário Específico: A empresa em estudo produz peças fundidas onde o processo de fabricação de "núcleos" (cores) é crítico. A falta de controle sobre parâmetros de processo (temperatura da areia, proporção de ligantes, tempo de gaseificação) resulta em defeitos caros, como porosidade, bolhas de ar e desintegração de núcleos.
• Objetivo: Transicionar de uma estratégia reativa para uma proativa, utilizando Inteligência Artificial (IA) e Aprendizado de Máquina (ML) para prever e prevenir defeitos antes que ocorram, integrando dados de produção, qualidade e manutenção.

2. Metodologia

O estudo seguiu rigorosamente a metodologia CRISP-DM (Cross-Industry Standard Process for Data Mining), adaptada para o contexto industrial, com as seguintes etapas:

• Compreensão do Negócio: Foco na linha de fundição, especificamente no processo de fabricação de núcleos internos e externos em duas máquinas piloto (Máquina A e Máquina B).
• Compreensão e Preparação dos Dados:
  • Fontes de Dados: Integração de quatro conjuntos de dados heterogêneos:
    1. Dados de Produto (MES) com 9 atributos.
    2. Dados de Desvios de Qualidade (Sistema de Qualidade) com 26 atributos.
    3. Dados de Processo (PLC das Máquinas A e B) com 11 atributos.
    4. Registros de Manutenção (CMMS).
  • Período: Dados históricos de janeiro de 2020 a maio de 2023 (aprox. 571.673 produtos).
  • Limpeza e Engenharia de Atributos: Tratamento de valores ausentes (imputação mediana), codificação one-hot para variáveis categóricas e normalização Min-Max.
  • Desafio de Desequilíbrio de Classes: Como a maioria dos núcleos é sem defeitos, o dataset original era altamente desbalanceado. Para mitigar o viés do modelo, aplicou-se o subamostragem (undersampling) da classe majoritária para equilibrar as amostras de defeitos e não defeitos.
  • Foco: Seleção dos 5 tipos de defeitos mais frequentes (88% dos desvios): Porosidade ("Pore"), Montagem Errada, Bolhas ("Blow"), Fragmentos de Núcleo ("Core Bit") e Desintegração.
• Modelagem:
  • Algoritmos: Dois modelos de classificação supervisionada foram treinados e comparados: Random Forest (Floresta Aleatória) e Gradient Boosting.
  • Configuração: Divisão de dados em 80% para treino e 20% para teste. Uso de parâmetros padrão da biblioteca Scikit-learn.
• Avaliação: Métricas utilizadas incluíram Acurácia, Precisão, Revocação (Recall) e F1-Score, com ênfase na Revocação para minimizar falsos negativos (defeitos não detectados).

3. Resultados Principais

• Desempenho dos Modelos:
  • O Random Forest demonstrou desempenho ligeiramente superior ao Gradient Boosting em ambas as máquinas.
  • Máquina A: Random Forest atingiu acurácia média de 66,2% (vs. 62,4% do GB).
  • Máquina B: Random Forest atingiu acurácia média de 56% (vs. 54% do GB).
  • A variação de desempenho entre as máquinas indica que cada equipamento possui dinâmicas de defeito distintas, exigindo estratégias específicas.
• Importância dos Atributos (Feature Importance):
  • A análise revelou que a Temperatura da Areia é o parâmetro mais influente para a formação de defeitos em ambos os modelos.
  • Outros fatores críticos incluem: quantidade de ligante (binder), tempo de gaseificação e temperatura da caixa de núcleo.
  • A Máquina B mostrou maior sensibilidade a intervalos de manutenção e duração do ciclo, diferentemente da Máquina A.
• Tipos de Defeitos: O modelo foi capaz de identificar padrões específicos para os cinco tipos de defeitos selecionados, com acurácias variando de 41% a 74% dependendo do tipo de defeito e da máquina.

4. Contribuições Chave

• Acadêmica: Demonstra a aplicação prática e eficaz de modelos de aprendizado de máquina ensemble (Random Forest e Gradient Boosting) em um ambiente de fundição real, validando a metodologia CRISP-DM para esse setor.
• Industrial:
  • Prova de Conceito (PoC): Valida a viabilidade de usar dados de múltiplas fontes (MES, PLC, CMMS) para prever qualidade.
  • Identificação de Causas Raiz: Mapeou com precisão quais parâmetros de processo e ações de manutenção impactam diretamente a qualidade do núcleo, permitindo intervenções direcionadas.
  • Mudança de Paradigma: Oferece um caminho para a transição de controle de qualidade reativo para proativo/preditivo.

5. Significado e Implicações

Este estudo confirma que a integração de ML na manufatura pode reduzir custos operacionais e melhorar a eficiência da produção ao prevenir defeitos antes da fundição.

• Recomendações para Implementação:
  • Integração dos modelos em tempo real no sistema MES para alertas preventivos.
  • Adoção de uma abordagem híbrida (dados de sensores + lógica de processo + expertise humana).
  • Implementação de pipelines de retreinamento contínuo para adaptar os modelos às mudanças nas condições de produção.
• Desafios Futuros: A pesquisa aponta a necessidade de melhorar a qualidade dos dados, a integração de sensores e a consideração de dados ambientais e de sustentabilidade em modelos futuros (ex: uso de Deep Learning/LSTM para padrões temporais).

Em suma, o trabalho prova que o uso de dados históricos combinados com algoritmos de ML pode transformar a gestão de qualidade na fundição, tornando-a mais inteligente, eficiente e orientada por dados.