Detecção de Anomalias Baseada em Gaussiana Integrada com Autocorrelação usando Dados Sensoriais na Manufatura Industrial

Em processos industriais, a detecção precoce de anomalias é crucial para reduzir falhas no processo, atender aos requisitos de garantia de qualidade (QA) e diminuir o desperdício de matéria-prima. Portanto, os algoritmos de detecção de anomalias devem identificar uma anomalia de maneira oportuna, permitindo assim que ações corretivas imediatas sejam aplicadas. Nesse contexto, este artigo propõe um algoritmo de baixa complexidade para detectar anomalias na operação de fornos de fabricação de aço industrial. O algoritmo utiliza as medições de vibração coletadas de vários sensores embutidos para calcular a correlação temporal usando a função de autocorrelação (ACF). Além disso, os parâmetros do modelo proposto são ajustados resolvendo a otimização multiobjetivo usando um algoritmo genético (GA). O algoritmo proposto foi testado usando um conjunto de dados prático fornecido por uma planta industrial de fabricação de aço. Os resultados obtidos mostram que o algoritmo proposto supera os algoritmos de máquina de vetor de suporte (SVM) e floresta aleatória (RF) na maioria das principais medidas de desempenho, com a vantagem de uma diminuição substancial nos tempos de treinamento e execução.