ALIMENTAÇÃO ANIMAL INVESTIGAÇÃO
ANÁLISE DE PRODUÇÃO DE RAÇÃO ANIMAL: BIG DATA IS NOT ENOUGH
Stefan Hoh Responsável do Segmento de Mercado Feed Milling & Premix da Bühler *
Se os dados são o novo petróleo, a informação contextual e o conhecimento do processo são o motor e o sistema de navegação para transformar os conhecimentos em ação e criar valor sustentável para o cliente Nos últimos anos, a digitalização passou de uma palavra-chave para aplicações de Internet of things (IOT), com casos de utilização económica em constante expansão. O ponto de viragem tem sido os desenvolvimentos nas tecnologias de micro-processamento e de sensores. Os microchips e sensores têm aumentado em desempenho, diminuído em custo e melhorado em robustez e fiabilidade para aplicações industriais. O desafio de hoje não é recolher dados, mas sim colocá-los num contexto significativo e transformá-los em informação valiosa e resultados viáveis.
Exploração de fontes de dados As fábricas de rações produzem tanto grandes quantidades de rações como dados não estruturados. Uma parte importante destes dados depende do processo e pode ser extraída da tecnologia da informação (TI) ou da tecnologia de operações (OT), tais como sistemas de planeamento de recursos empresariais ou unidades de controlo de máquinas e linhas de processo. As fontes de dados secundárias provêm de matérias-primas de deteção, estados do equipamento e condições ambientais. Semelhante a um ser humano que utiliza os cinco sentidos para adquirir dados, vários tipos de sensores executam esta tarefa numa instalação industrial. Os sensores infravermelho-próximo (NIR) podem detetar parâmetros do produto tais como humidade, gordura ou conteúdo de proteínas em grãos; ou um sensor que utiliza tecnologia de dispersão de laser pode analisar a composição física de um produto, tal como a distribuição granulométrica da ração após o processo de moagem. Normas de dados definidas são pré-requisitos para permitir a interoperabilidade entre sistemas IT/OT e sensores e evitar silos de dados, alavancando assim todo o potencial de ligação de dados de sensores, ambiente e processo.
O Contexto importa Uma vez que os dados são uma informação isolada, mas muitas vezes numérica, é necessário limpá-los e depois colocá-los num contexto relevante para que se tornem significativos e valiosos. Parece trivial, mas na prática, não o é. Por exemplo, uma sequência de leituras de tamanho de partícula não tem significado sem a correlacionar com os dados do processo. O processo de juntar diferentes conjuntos de dados leva não só os dados, mas também a experiência para corresponder ao contexto correto. Uma amostra de 30 |
ALIMEN TAÇÃO AN IMAL
alimento moído com uma leitura de tamanho médio de partícula com uma mediana (D50) de 612 microns significará coisas diferentes em contextos diferentes. O operador da fábrica pode querer aumentar a dimensão média das partículas para reduzir o consumo de energia elétrica. Contudo, o proprietário da exploração animal pode querer diminuir o tamanho da partícula para melhorar a conversão das rações em peso animal. Conflitos de interesses são aparentes. Mas mesmo a otimização de um alvo isolado pode ser um desafio. Uma vez que a influência do tamanho das partículas na saúde e desempenho dos animais está sujeita a múltiplos parâmetros, tais como espécies, genética, ou matérias-primas e composição das rações, não existe um tamanho de partícula universal “ótimo” – é inteiramente dependente do contexto. O conhecimento profundo, e muitas vezes interdisciplinar, do processo é fundamental para o desenvolvimento de um modelo robusto, considerando as múltiplas variáveis. Finalmente, informação relevante e indicadores-chave de desempenho (KPI’s) precisam de ser reunidos num painel de controlo intuitivo do utilizador para auxiliar a tomada de decisões humanas, ou – num cenário avançado – estabelecer as bases para operações auto-otimizadoras e fábricas autónomas.
Os algoritmos são apenas tão inteligentes quanto os seus desenvolvedores Embora os circuitos de processo auto-controlados, tais como a regulação da humidade dos pellets, já sejam tecnologicamente viáveis e suportados por casos de utilização económica, as fábricas operadas de forma totalmente autónoma com base em KPI’s predefinidos estão ainda mais longe. Estes últimos requerem uma grande quantidade de dados qualificados e diversificados para imitar a experiência a longo prazo de operadores bem treinados. O maior desafio na indústria atual é desenvolver a lógica do modelo de dados e processos semânticos, descrevendo as dependências das variáveis de entrada, e