Modelos preditivos para suporte ao planeamento de produção têxtil

Abstract

Atualmente, as empresas do setor têxtil continuam a ter métodos de planeamento e controlo da produção pouco evoluídos e robustos. Algo que com a evolução do setor tecnológico e dos volumes crescentes de dados que as empresas da indústria têm, devido aos paradigmas da Indústria 4.0, não se justifica. Deste modo, com o intuito de melhorar o planeamento e controlo da produção da Somelos, foi feita uma parceria de investigação e desenvolvimento entre a Somelos, a Fluxodata, o Citeve e o Centro de Computação Gráfica (CCG) que deu origem ao projeto PPC4.0, onde a presente dissertação se enquadra. Na fase experimental do projeto, foi adotada a metodologia CRoss Industry Standard Process for Data Mining (CRISP-DM) para cada requisito, e foi dada maior atenção à fase de processamento de dados, utilizando para esse feito ferramentas de Automated Machine Learning (AutoML) na fase de modelação. Após a aplicação dos diversos cenário,s os resultados obtidos foram debatidos com os profissionais do setor têxtil da Somelos que devolveram um feedback positivo. Através da implementação de técnicas de machine learning, foi desenvolvida uma solução capaz de prever o rendimento dos artigos, prever os defeitos nos teares que causam a paragem das máquinas, a data de entrega de determinada matéria-prima e a duração dos tempos de operação. Sendo que, após a fase experimental, foi desenvolvido um protótipo adaptável ao surgimento de novos dados e que permite fazer a monitorização dos modelos, recorrendo a tecnologias como o Kedro, o Mlflow e o Grafana. Deste modo, é expectável que o protótipo desenvolvido suporte o planeamento e controlo da produção na Somelos.

Currently, companies in the textile sector still have production planning and control methods that are poorly developed and robust. Something that with the evolution of the technology sector and the increasing volumes of data that companies in the industry have, due to the paradigms of Industry 4.0, is not justified. Thus, to improve Somelos production planning and control, a research and development partnership was made between Somelos, Fluxodata, Citeve and CCG that originated the Production Planning and Control 4.0 (PPC4.0), where this dissertation came from. During the project experimental phase, the CRISP-DM approach was used for each require ment, and more emphasis was placed on the data processing phase, with AutoML tools being used in the modeling phase for this reason. Following the implementation of numerous scena rios, the outcomes were discussed with Somelos textile professionals, who gave supportive remarks. Through the implementation of machine learning techniques it was developed a solution capable of predicting the yield of the articles, predicting the defects in the looms that cause the machines to stop, the delivery date of certain raw materials, and the duration of the operation times. After the experimental phase, a prototype was developed adaptable to new data and allows the models to be monitored, using technologies such as Kedro, Mlflow and Grafana. As a result, it is envisaged that the prototype will help Somelos with production planning and control.