53 FABRICO ADITIVO O INEGI, desafiado pela Palbit, desenvolveu uma solução baseada em Machine Learning para reduzir a dependência humana no carregamento de um forno de sinterização de peças de corte. Para que esta solução possa desempenhar este papel estratégico, é indispensável que a indústria invista de forma sistemática na recolha, organização e contextualização dos seus dados operacionais. Forno Sinter-HIP utilizado no processo de sinterização. RESULTADOS-CHAVE • Redução de 50% no tempo de carregamento do forno, através de um algoritmo que automatiza a escolha da zona ideal para cada ordem de fabrico • Melhoria na eficiência do carregamento no forno de sinterização, com aumento na aprovação das peças sinterizadas dentro de especificações • Redução de 30% no desperdício de matérias-primas • Redução de erros humanos no processamento de sinterização das peças. A ABORDAGEM DO INEGI O processamento pulverometalúrgico de metal duro envolve um conjunto de etapas críticas – moagem, mistura, prensagem, sinterização e tratamentos térmicos. Todos altamente sensíveis a variações nos parâmetros de processo. Focando-se nos processos de sinterização de peças de corte, o INEGI desenvolveu uma solução baseada em Machine Learning para otimizar este método e criou uma aplicação com a capacidade de sugerir ao operador qual a zona do forno onde as peças devem ser produzidas. Tudo isto permite reduzir significativamente o tempo de produção, a dependência humana no planeamento do carregamento de um forno de sinterização de peças de corte e minimizar o desperdício de matéria-prima. Esta solução contribuiu ainda significativamente para a redução do erro humano, especialmente por parte de operadores com menor experiência. Ao diminuir a ocorrência de defeitos nas peças produzidas, obteve-se uma utilização mais eficiente dos recursos, evitando desperdícios de gás e energia elétrica associados ao processo de sinterização. Para chegar a esta solução, o INEGI recorreu à abordagem CRISP-DM, usada para projetos de Machine Learning, que consiste na recolha dos dados pré-existentes na infraestrutura da Palbit, tratamento dos dados, modelação e validação dos resultados. O estudo para a criação de um modelo apresentou desafios ao longo do processo, sobretudo relacionados com a descentralização dos dados, característica frequentemente observada em projetos de ciência de dados na indústria. n
RkJQdWJsaXNoZXIy Njg1MjYx