Como construímos modelos preditivos que antecipam peso, densidade, granulometria e humidade — e entregamos ao operador um simulador capaz de prever o resultado do reprocessamento antes de ele acontecer.
O desafio era transformar variáveis críticas do processo produtivo da Amorim Cork Solutions em previsões confiáveis. Para isso, mapeamos dois universos de dados — o histórico industrial do SCADA e as amostras laboratoriais do ACC Labs — e definimos, com precisão, quais modelos seriam necessários para cada variável e cada ponto de medição da linha.
A solução cobre 14 combinações distintas de produto e variável, com modelos de Regressão Linear para peso, densidade e humidade, e Regressão Logística para granulometria — a única variável categórica do processo. Cada modelo foi desenhado com base no objetivo de negócio: prever a saída do REP 1 antes do fim do turno.
| Variável Prevista | Tipo de Modelo | Base de Dados |
|---|---|---|
| Peso (MLI 1/2, 0.25/0.5, 0.5/1) | Regressão Linear | SCADA |
| Peso Biomassa · Excedente | Regressão Linear | SCADA |
| Densidade (MLI 1/2, 0.5/1) | Regressão Linear | ACC Labs |
| Humidade (MLI 1/2, 0.5/1) | Regressão Linear | ACC Labs |
| Granulometria (MLI 0.5/1) | Regressão Logística | ACC Labs |
* Demonstração completa da metodologia disponível no Capítulo 1 do vídeo.
Todo dado consumido pelos modelos tem origem documentada e transformação auditável. Construímos um grafo de linhagem completo — do dado bruto da fábrica até o modelo em produção — rodando sobre infraestrutura Palantir Foundry.
| Sistema Origem | Dado Consumido | Status |
|---|---|---|
| SCADA Industrial | Sensores de processo · 25M+ linhas | Automatizado |
| ACC Labs | Amostras laboratoriais por turno | Automatizado |
| E-mails de Turno | OCR com Gemini · Dados de crivos e notas | Automatizado |
| MES / EPC | Tipos de lotes e humidade de entrada | Automatizado |
* Arquitetura estruturada de forma discreta sobre infraestrutura Palantir Foundry.
Com os dados limpos e unificados, a plataforma entrega três camadas de inteligência: avaliação detalhada de cada modelo preditivo, investigação de hipóteses de processo com validação estatística, e uma visão operacional turno a turno que conecta o que aconteceu na fábrica ao que os modelos preveem.
Cada modelo é avaliado com distribuição de erros, Predictions vs. Actuals e comparação contra baseline — em train e test separados para garantir generalização real.
A plataforma investiga e documenta hipóteses como o impacto da humidade da matéria-prima e a influência da origem (China vs. outros lotes) na estabilidade e qualidade do produto final.
Evolução das balanças ao longo do tempo, setpoints vs. velocidade real dos moinhos, e Rotex/Crivos utilizados em cada turno — tudo acessível com um seletor de data.
O Simulador é o ponto onde a inteligência analítica vira ferramenta operacional. O gestor configura os parâmetros do turno — tipo de matéria-prima, configuração dos moinhos e histórico de manutenção — e recebe, em segundos, a previsão de produção e as especificações esperadas do produto final, com intervalos de confiança e probabilidade de falha por variável.
Parâmetros de matéria-prima, balanças e equipamentos ajustáveis em uma única tela.
Modelos de ML ativos entregam estimativas em tempo real para cada combinação de entrada.
Cada previsão vem com PI Inferior e PI Superior, quantificando a incerteza do modelo.
Probabilidade de Falha por produto sinaliza desvios antes de ocorrerem no processo.
A Amorim Cork Solutions não opera mais no escuro. Cada turno começa com a previsão de qualidade do produto final — e o operador pode simular decisões antes de tomá-las. Se a sua operação industrial convive com variabilidade de processo sem rastreabilidade ou qualidade imprevisível na saída — esse problema já tem solução. Podemos fazer o mesmo por você.
