Modelo de inteligência artificial para identificação do refugo em bobinas de papel reciclado a partir da variação de gramatura e umidade

Abstract

A rápida identificação de falhas é essencial para reduzir perdas e aumentar a eficiência nos processos industriais. Nesse contexto, ferramentas baseadas em Inteligência Artificial têm se destacado como alternativas promissoras para o controle de qualidade em tempo real. Este trabalho teve como objetivo desenvolver e validar modelos de classificação binária baseados em algoritmos de aprendizado supervisionado para prever a tendência de refugo em bobinas de papel reciclado, utilizando dados de gramatura e umidade coletados ao longo do processo produtivo. A pesquisa foi conduzida com base em um banco de dados histórico composto por mais de seis mil lotes produzidos. Foram aplicados e comparados três algoritmos: Gradient Boosting, Random Forest e MLPClassifier. Todos os modelos apresentaram acurácia superior a 97%, com destaque para o MLPClassifier, que obteve o melhor desempenho global ao combinar elevados níveis de acurácia, precisão, revocação e maior sensibilidade para rever lotes desclassificados. A análise das matrizes de confusão revelou, entretanto, que os modelos apresentaram baixa taxa de identificação dos lotes refugados, o que indica limitações na detecção da classe minoritária. Essa dificuldade pode estar relacionada ao desbalanceamento da base de dados e à perda de detalhamento provocada pelo uso de estatísticas agregadas. Apesar das limitações observadas, os resultados demonstram o potencial dos modelos de aprendizado de máquina como apoio ao controle de qualidade, contribuindo para o avanço da automação, a redução de desperdícios e o aumento da confiabilidade nos processos industriais.