An intelligent decision support system for the analytical laboratories of a chemistry industry

Abstract

A Indústria 4.0 representa a quarta revolução industrial e envolve uma implementação que utiliza várias tecnologias de informação para dar suporte à produção, bem como uma monitorização em tempo real dos processos industriais. O tópico de Business Analytics é particularmente valioso neste contexto, uma vez que resulta de uma combinação de Business Intelligence com Optimização e Previsão. O objectivo é obter conhecimentos orientados por dados que podem ser úteis para ajudar na tomada de decisões sobre processos de produção. Por exemplo, Business Analytics pode ser utilizada para analisar dados históricos para ajudar a detectar e prever problemas ou falhas na produção. Outra possibilidade interessante é a previsão de ordens de procura, que pode ajudar no processo de gestão de stocks. Este trabalho de doutoramento é realizado no âmbito de um projecto de Investigação e Desenvolvimento (I&D). O principal objectivo é a investigação e implementação de um Sistema Inteligente de Apoio à Decisão (IDSS em Inglês) que utiliza técnicas de Business Analytics (Descritiva, Prescritiva e Preditiva), integrado no conceito de Indústria 4.0 e aplicado a Laboratórios Analíticos de Empresas Químicas. Inicialmente, as necessidades das empresas analisadas foram elicitadas, e posteriormente foram desenvolvidos vários módulos do IDSS com o objectivo de resolver os objectivos das empresas Químicas. O primeiro módulo estudado foi a previsão da chegada de amostras aos Laboratórios Analíticos, utilizando uma ferramenta de Auto Machine Learning (AutoML). Em seguida, foi desenvolvido um módulo para prever o consumo de materiais nos laboratórios. Este módulo incluiu três abordagens de previsão diferentes que foram comparadas, uma com um AutoML, outra utilizando a metodologia ARIMA e a última baseada num algoritmo de aprendizagem profunda (Long Short-Term Memory em Inglês). Os melhores resultados de previsão foram obtidos através da abordagem AutoML. Finalmente, foi desenvolvido um módulo com métodos prescritivos para atribuir os instrumentos às análises a realizar, bem como o desenvolvimento de Dashboards de fácil utilização para o IDSS concebido. O sistema IDSS completo foi avaliado através de questionários e entrevistas abertas com os gestores do Laboratório Analítico. Globalmente, foi obtido um feedback positivo.

The Industry 4.0 represents the fourth industrial revolution and involves an implementation using several Information Technologies to support production, as well as a real-time monitoring of industrial processes. The topic of Business Analytics is particularly valuable in this context, since it results from a combination of Business Intelligence with Optimization and Forecasting. The objective is to obtain datadriven knowledge that can be useful to help decision making on production processes. For example, Business Analytics can be used to analyze historical data to help detect and predict problems or failures in production. Another interesting possibility is the prediction of demand orders, which can help in the process of stock management. This PhD work is carried out within the scope of a Research & Development (R&D) project. The main objective is the research and implementation of an Intelligent Decision Support System (IDSS) that uses Business Analytics techniques (Descriptive, Prescriptive and Predictive), integrated within the Industry 4.0 concept and applied to Analytical Laboratories of Chemical companies. Initially, the analyzed company needs were elicitated, and subsequently several IDSS modules were developed aiming to solve the Chemical company goals. The first studied module was the prediction of arrival of samples at the Analytical Laboratories by using an Auto Machine Learning (AutoML) tool. Next, a module was developed for predicting the consumption of materials in the laboratories. This module included three different forecasting approaches that were compared, one with an AutoML, another using the ARIMA methodology and the last based on a deep learning algorithm (Long Short-Term Memory). The best forecasting results were achieved by the AutoML approach. Finally, a module was developed with prescriptive methods to allocate the instruments to the analyses to be performed as well as the development of the friendly user Dashboards for the designed IDSS. The full IDSS system was evaluated by using questionnaires and open interviews with the Analytical Laboratory managers. Overall, a positive feedback was obtained.