Monitoramento da qualidade de embalagens de PET com o uso de ferramentas de aprendizado de máquina

Abstract

Com o desenvolvimento recente das tecnologias digitais e a necessidade de melhorar processos, decisões e recursos, as indústrias estão cada vez mais investindo em sistema de informações para reduzir erros e perdas em seus processos internos. Dessa maneira, a produção de resina PET tem o desafio de atender todos os parâmetros dentro do estabelecido pelo produtor de embalagens, onde qualquer variabilidade pode afetar o seu processamento e a qualidade dos recipientes, tendo a necessidade de investimentos de melhorias e oportunidades para evitar falhas e prejuízos. A obtenção de informações confiáveis e precisas é crucial para tomadas de decisões eficazes e o uso de ferramentas de aprendizado de máquina ou machine learning (ML) tem sido fundamental para contribuir com o ganho de resultados e evitar prejuízos. Nesse contexto, o presente trabalho tem como objetivo aplicar técnicas de ML com o uso da linguagem de programação Python e algoritmo de predição a partir dos dados dos parâmetros físico-químicos obtidos de um banco de dados histórico de produção da resina PET, buscando prever o risco de ocorrência de falha gerada por alteração nas variáveis na produção de pré-formas e garrafas. Diante disso, foram utilizadas 3 técnicas de aprendizado de máquina, k-vizinhos mais próximos (KNN), máquina de vetor de suporte (SVM) e árvore de decisão, com a aplicação das métricas de desempenho através da comparação dos modelos pela acurácia, precisão e revocação. Apesar da análise preliminar demonstrar uma baixa correlação entre as variáveis, os resultados dos modelos de predição foram satisfatórios com destaque para o modelo de árvore de decisão que obteve resultado de 99,81% para a métrica da acurácia e 100% para precisão e revocação.