IA industrial, do diagnóstico à ação.

O desafio

O moinho SAG ditava o ritmo de toda a planta. No controle manual, os operadores seguravam a alimentação sempre que a carga circulante disparava — enquanto o tipo de rocha, a mistura da alimentação e a porcentagem de sólidos mudavam constantemente sob sua operação.

O que implantamos

Um modelo preditivo do circuito de moagem, construído ao longo de dois anos com os engenheiros de processo da planta, operou o Industrial Autopilot durante o teste. Ele lia dados de sensores em tempo real e enviava setpoints ao sistema de automação da planta em tempo real, dentro de faixas operacionais seguras, 24 horas por dia. Um clique devolvia o controle ao operador.

Produtos usados

• Modelos preditivos
• Gêmeo digital
• Industrial Autopilot

Como medimos

25 dias, de 10 de janeiro a 5 de fevereiro de 2024. O controle por IA e o manual alternaram a cada 48 horas, enfrentando os mesmos minérios. Contaram apenas as horas com pelo menos 85% de operação — 265 horas em cada modo.

O desafio

No circuito de moagem, aumentos repentinos na carga circulante forçavam o corte no transportador de alimentação — frequentemente abaixo de 70 t/h — cerca de sete vezes ao dia. Cada corte era minério que o moinho poderia ter processado.

O que implantamos

Um modelo preditivo da carga circulante acionava o transportador de alimentação em tempo real. Em vez de cortar a alimentação, o Autopilot antecipou a alta, sustentou um nível que o moinho podia absorver e então retornou à alimentação máxima.

Produtos usados

• Modelos preditivos
• Gêmeo digital
• Industrial Autopilot

Como medimos

Cada evento de corte de alimentação comparado a como o controle manual lidava com a mesma situação — cerca de sete eventos por dia, maio a julho de 2025.

O desafio

Maximizar o rendimento da transesterificação, reduzir o catalisador metilato — custo anual de múltiplos milhões de dólares — e saber a qualidade do produto antes do resultado diário do laboratório.

O que implantamos

Modelos preditivos desenvolvidos sobre dez meses de dados da planta: 56,5 milhões de leituras de sensores de cerca de 40 instrumentos, transformadas em uma base de dados limpa e pronta para modelagem. Um modelo de gradient boosting sobre 13 variáveis de processo tornou-se o primeiro sensor virtual de qualidade.

Produtos usados

• Modelos preditivos
• Gêmeo digital (não utilizado neste case)
• Industrial Autopilot (não utilizado neste case)

Como testamos

Os modelos são testados em dados separados do treinamento. O erro em unidades físicas e a comparação com a linha de base da planta serão publicados assim que o cliente autorizar.

O desafio

Quando um teste desvia, o problema é a bancada ou o componente? E a indisponibilidade não planejada da bancada atrasa todos os testes agendados seguintes.

O que estamos implantando

Modelos de manutenção preditiva e um painel de monitoramento. Em vez de um limite de alarme global único, os modelos aprendem uma linha de base de comportamento normal para cada variante de componente, pontuando cada desvio contra a referência correta.

Produtos usados

• Modelos preditivos
• Gêmeo digital (não utilizado neste case)
• Industrial Autopilot (não utilizado neste case)

Como testamos

Uma linha de base de comportamento normal para cada variante de componente; os critérios para testes em dados reais foram acordados com a liderança de manutenção do cliente.