Sensor virtual para classificação de emissões de so2 baseado em k-NN (k-Nearest Neighbors)

Resumo

As indústrias em geral buscam cada vez mais, além do aumento de produção com qualidade, redução de custos e operações mais seguras, uma produção mais limpa. De outro lado, o uso de modelos obtidos diretamente a partir de dados históricos sobre as operações se fortaleceu a partir da geração massiva de dados pelos processos industriais. Outro fator que contribuiu para esse avanço foi a aumento da complexidade das operações com o tempo. O objetivo deste trabalho foi construir um sensor virtual para a classificação de seis categorias de emissões de SO2 em uma caldeira de recuperação química de uma fábrica de celulose kraft no Brasil. Baseou-se esse sensor no algoritmo k-vizinhos mais próximos (k-NN; k-Nearest Neighbors), que é uma técnica de aprendizado supervisionado. Testaram-se três abordagens para a obtenção dos modelos k-NN: univariável (usada como referência), a partir de subconjuntos pré-selecionados de preditores, e a partir de comitês de modelos k-NN. O melhor desempenho ocorreu para um comitê de vinte e cinco modelos k-NN, com oito preditores, k (número de vizinhos mais próximos) igual a 2 e distância de Manhattan. Foi possível aumentar a acurácia de classificação das classes minoritárias (4 a 6), sem perda de desempenho sobre as classes majoritárias (1 a 3), como usualmente ocorre em problemas de classificação com dados desbalanceados. Para a classe 6 por exemplo, com o menor número de observações, a precisão passou de 0.794 para 0.906, o recall, de 0.640 para 0.715, a F1-score, de 0.693 para 0.791, e a g-mean de 0.797 para 0.843, sem perda de generalização para as demais classes, em comparação com a abordagem de subconjuntos de preditores. Um sensor virtual pode ser útil como uma fonte de informação redundante sobre variáveis-chave de processo, ou para antecipar resultados de análises de laboratório, o que demanda um tempo razoável em geral, entre outras aplicações.