Deteção de vazamento de gás em sistemas de ar condicionado através de técnicas de 6 sigma e aprendizagem de máquina

Abstract

Como em toda revolução, onde mudanças bruscas são perceptíveis e a sociedade naturalmente se adapta, aprende e segue em frente, a revolução da Indústria 4.0 vem trazendo as oportunidades com o avanço da tecnologias que podem facilitar, otimizar e melhorar os processos atuais. Esse projeto visa o desenvolvimento de um teste de conceito para um método de deteção de vazamento de gás refrigerante automático, para utilização em processos de manufatura de ar condicionados, a fim de aumentar a confiança em reter produtos defeituosos na fábrica, minimizando a interferência humana. A metodologia 6 sigma foi utilizada como auxílio no planejamento, execução e análise de experimentos sequenciais, com 4 ciclos de experimentações, envolvendo variáveis de ambiente industrial, produto e uma câmera de infravermelho, responsável por coletar a imagem térmica da área de estudo do vazamento de gás. Métodos de aprendizagem de máquinas supervisionado foram aplicados aos dados de temperatura do produto para treinamento de algoritmos, para classificação de regiões com “Vazamento” e sem vazamento “Normal”. O algoritmo Regressão Logística apresentou melhor performance nas previsões, demonstrando que é possível fazer a deteção de vazamento de gas, de forma automática em ambiente industrial, passando segurança para o projeto seguir para próxima fase de aprimoramento do algoritmo e implementação.

As in any revolution, where sudden changes happen, and the society naturally adapts, learns and moves on, the Industry 4.0 revolution has brought opportunities with technologies that can facilitate, optimize and improve current processes. This project aims to develop a concept test for an automatic gas leak detection method, to be used in air conditioning manufacturing processes, in order to increase confidence in retaining defective products at the factory, removing human interference. The 6-sigma methodology was used to aid in the planning, execution and analysis of sequential experiments, with 4 experimental cycles, involving industrial variables, product and a thermal camera, responsible for collecting the thermal image and temperature of the leakage area. Supervised Machine Learning method was used to train algorithms on temperature data set to classify an area as “Gas leakage” and “Normal”. The regression logistic algorithm had the best performance in the predictions, showing that is possible to detect “Gas leakage” area in automatic decision in industrial environmental, giving confidence to forward to next step of the project to improve the algorithm and implementation.