Título

Melhorias Classificação automática de sequencias laminação no ltq: Otimizando processos com inteligência artificial

Improve Automatic sequence classification in hsm: Enhancing processes with artificial intelligence

Autoria

ASSUNÇÃO, JOSE FABIANO MARTINS; SCARDUA, LEANDRO

ASSUNÇÃO, JOSE FABIANO MARTINS

Eu sou esse autor

SCARDUA, LEANDRO

Eu sou esse autor

DOI

10.5151/2594-5335-44358

Downloads

Resumo

A seleção dos tipos de sequências de laminação no Laminador de Tiras a Quente (LTQ) da ArcelorMittal Tubarão (a maior produtora de aço da América Latina e líder de mercado global) é tradicionalmente baseada na avaliação empírica de especialistas operacionais. No entanto, a complexidade decorrente da variabilidade de pedidos, da dinâmica do pátio de placas e das restrições operacionais limita a eficiência da tomada de decisão manual. Este estudo propõe uma metodologia para automatizar a classificação dos tipos de sequências, baseada na análise de atributos inicialmente com aproximadamente 360 sequências avaliadas empiricamente (período de 1 mês) com ampliação de mais meses de coleta dados. Técnicas de pré-processamento e engenharia de atributos foram empregadas para dar suporte a modelos de aprendizado supervisionado treinados para categorizar quatro principais tipos de sequências. Os resultados mostram um desempenho consistente, com altos níveis de acurácia, sensibilidade e especificidade, destacando o potencial da abordagem para melhorar a eficiência do processo em 10% e potencializar a conformidade com indicadores-chave de desempenho (KPIs) de produção, tais como descarbonização e satisfação do cliente.

The selection of rolling sequence types in the Hot Strip Mill (HSM) in ArcelorMittal Tubarao (Largest steel producer in Latin America and global market leader) is traditionally based on empirical evaluation by operational experts. However, the complexity arising from order variability, slab yard dynamics, and operational constraints limits the efficiency of manual decision-making. This study proposes a methodology to automate the classification of sequence types, based on the analysis of attributes initially evaluated using approximately 360 sequences (over a one-month period), with the expansion of additional months of data collection. Preprocessing and feature engineering techniques were employed to support supervised learning models trained to categorize four main sequence types. The results show consistent performance, with high levels of accuracy, sensitivity, and specificity, highlighting the potential of the approach to improve in 10% process efficiency and compliance with key production KPIs such as decarbonization and customer satisfaction..

Palavras-chave

Laminador tiras a quente, Descarbonização, Aprendizado supervisionado, Tomada decisão baseada em dados

Hot Strip Mill (HSM), Decarbonization, Supervised Learning, Data-Driven Decision Making