Utilização de inteligência artificial para aumento da produtividade de carregamento

1 – Objetivo

O Objetivo deste trabalho é apresentar os resultados operacionais viabilizados pela criação de uma metodologia de controle para a produtividade de carregamento dos equipamentos de mina, baseado nos conceitos de Inteligência Artificial. O trabalho foi desenvolvido na empresa CSN Mineração e possibilitou o aumento da produtividade de carregamento em 4,71%, gerando potencial de redução de custos da ordem de R$ 10 Milhões por ano.

2 – Inteligência Artificial

Os principais pesquisadores e livros didáticos a definem como “o estudo e projeto de agentes inteligentes”, onde um agente inteligente é um sistema que percebe seu ambiente e toma atitudes que maximizam suas chances de sucesso. John McCarthy, quem cunhou o termo em 1956, a define como “a ciência e engenharia de produzir máquinas inteligentes”. É uma área de pesquisa da computação dedicada a buscar métodos ou dispositivos computacionais que possuam ou multipliquem a capacidade racional do ser humano de resolver problemas, pensar ou, de forma ampla, ser inteligente. Também pode ser definida como o ramo da ciência da computação que se ocupa do comportamento inteligente ou ainda, o estudo de como fazer os computadores realizarem coisas que, atualmente, os humanos fazem melhor.

O principal objetivo dos sistemas de IA, é executar funções que, caso um ser humano fosse executar, seriam consideradas inteligentes. Podemos pensar em algumas características básicas desses sistemas, como a capacidade de raciocínio, aprendizagem, reconhecimento de padrões e inferência (capacidade de conseguir aplicar o raciocínio nas situações do nosso cotidiano).

O mercado já sinaliza como será o futuro próximo. Particularmente em relação à Mineração, este será marcado por uma mudança extremamente significativa, uma vez que a maior parte do processo, hoje ocupada pelo homem, será feita de forma autônoma.

 

 

3 – Cenário

A introdução da inovação nos processos de mina resulta na possibilidade de agregar novas características ao processo já existente, resultando em efetivos ganhos de produtividade e qualidade.

Conceitos relacionados com a indústria 4.0 como análise de Big Data e Inteligência Artificial estão cada vez mais presentes nos ambientes industriais e na mineração não é diferente. Existe um grande potencial para melhorias em processos produtivos e redução de custos associado a estes atuais conceitos.

Técnicas de Inteligência Artificial permitem que variados tipos de dados sejam analisados de forma automática, possibilitando a geração de avisos / alarmes automáticos quando houver alguma anormalidade pré-determinada através de programação computacional.

Conhecimentos de lavra e beneficiamento de minérios, associado com matemática (estatística) e ciência da computação (programação) possibilita a geração de estudos e trabalhos de Inteligência Artificial para otimização de processos e resolução de problemas.

A tecnologia irá proporcionar às empresas vantagens extremamente competitivas. Com o intuito de estar atualizada frente ao mercado e consequentemente garantir sua competitividade futura, a CSN Mineração tem desenvolvido trabalhos de Inovação em diversas áreas. Dentro deste cenário, a equipe de Despacho Eletrônico da CSN Mineração desenvolveu uma ferramenta que possibilita a análise horária da produtividade efetiva dos equipamentos de carga, gerando alarmes operacionais em situações de baixa performance de carregamento mensuradas através de comparativos com metas operacionais pré-estabelecidas entre planejamento e operação de mina.

 

 

4 – Produtividade de carregamento

A produtividade de carregamento é medida em toneladas escavadas por hora trabalhada (t/h). Este indicador possui grande relevância nas operações de carga e transporte de mina, pois a partir dele é possível realizar o dimensionamento do número ótimo de caminhões necessários para a composição do ciclo operacional e atingimento das metas estabelecidas.

O trabalho se iniciou com uma análise detalhada do banco de dados do sistema de gerenciamento de frotas através de software específico de BI (Business Inteligence). Foram analisados dados de índices relacionados com a produtividade de equipamentos de carga: carga média, tempo de carregamento, ociosidade, ângulo de giro, tipo de material e tempo de manobra. Estes índices foram estratificados em períodos de tempo (horas do dia), equipes de operação (turno operacional) e até mesmo por operador de forma individual.

Foram identificados vários eventos de baixo desempenho, sendo relacionados aos seguintes problemas:

  • Frente de lavra resistente;
  • Praça de carregamento com geometria irregular;
  • Más condições dos pisos das praças de carregamento;
  • Presença de blocos na frente de lavra;
  • Baixa disponibilidade física de caminhões;
  • Operadores em treinamento;
  • Equipamentos com falhas de manutenção;
  • Motivos operacionais.

 

Muitos destes problemas relatados são identificados apenas em relatórios gerenciais de acompanhamento que são gerados no dia seguinte a operação ou até mesmo em períodos maiores, como finais de semana e feriados. Esta rotina prejudica o fluxo da mina como um todo, pois além de reduzir a produtividade dos equipamentos, pode gerar quebras de ciclos operacionais de transporte.

 

5 – Metodologia

O conceito inicial do projeto se baseou na criação de um sistema de avisos / alarmes operacionais a serem acionados de maneira automática para os técnicos de sala de controle. Os técnicos são responsáveis pelo controle operacional das frotas de carga e transporte e possuem atuação durante todo o período de operação. Estes alarmes devem alertar os técnicos para possíveis problemas operacionais que possivelmente estão impactando a produtividade do carregamento.

Foi desenvolvido um aplicativo em linguagem WEB para os técnicos que trabalham na sala de controle de mina. Este aplicativo permite a identificação de baixa performance de produtividade de equipamentos de carga e seus possíveis motivos em periodicidade horária.

Foram realizadas analises e desenvolvimentos de maneira a buscar índices mais confiáveis e evitar que alarmes falsos sejam gerados no processo.

  • Primeiramente foi realizada uma análise de dados (BIG DATA) em um período de 5 anos de operação. Esta análise possibilitou a identificação de desvios e oscilações no indicador de produtividade, buscando evitar que alarmes falsos sejam gerados no processo;

 

  • O próximo passo foi o dimensionamento de uma margem (%) aceitável para acionamento dos alarmes. Este valor foi dimensionado em 7,5% (limite inferior).

 

  • Criação de metas individuais, estratificadas por equipamento, levando em consideração o tipo de material a ser lavrado no plano mensal de lavra. Este valor é informado pela equipe de planejamento de curto prazo, que utiliza informações do modelo geológico de blocos.

 

Os alarmes operacionais foram divididos em três classes distintas, conforme tabela 1, abaixo:

Tabela 1 – Critérios estabelecidos para a geração dos alarmes operacionais

Critérios de análise – IA
INDICADORES % alarme 1 2 3
Produtividade Meta < 7,5% 2 horas 4 horas 6 horas

Alarme nível 1: O equipamento de carga está com desempenho relacionado ao indicador Produtividade efetiva de carregamento abaixo de 7,5% de sua meta informada durante duas horas consecutivas. Neste caso, o técnico de sala de controle informa o supervisor de mina, responsável pela operação de carregamento sobre o evento.

Alarme nível 2: O equipamento de carga está com desempenho relacionado ao indicador Produtividade efetiva de carregamento abaixo de 7,5% de sua meta informada durante quatro horas consecutivas. Neste caso, o técnico de sala de controle informa os supervisores de mina, infraestrutura e despacho sobre o evento. Neste momento é registrado o motivo identificado pelos supervisores que caracterizaram o baixo desempenho dos equipamentos.

Alarme nível 3: O equipamento de carga está com desempenho relacionado ao indicador Produtividade efetiva de carregamento abaixo de 7,5% de sua meta informada durante seis horas consecutivas. Neste momento o técnico de sala de controle solicita a parada do equipamento de carga com motivo de “baixo desempenho” até o problema ser corrigido. Outra ação tomada é o envio de um e-mail aos gestores responsáveis pela operação e planejamento de mina. Estes gestores, quando acionados, podem optar pela continuidade da operação, tendo conhecimento do problema e visualizando dificuldade em sua resolução de forma imediata.

O sistema não foi desenvolvido para interromper a atividade de lavra realizada pelos equipamentos de carga. Ele tem o objetivo de informar os problemas operacionais no momento de sua ocorrência, evitando falhas de comunicação e dificuldades em sua identificação. Os gestores responsáveis pelas áreas de operação, infraestrutura e planejamento de mina devem ser acionados em tempo hábil de maneira a tomar a melhor decisão na resolução dos problemas identificados.

A figura 1 abaixo ilustra um exemplo de desempenho operacional realizado por uma escavadeira. Esta tela é parte do aplicativo desenvolvido, que possibilita o acompanhamento de indicadores relacionados com a produtividade de cada equipamento em periodicidade horária. Neste exemplo as informações estão relacionadas a um dia de operação:

Figura 1 – Evolução dos custos operacionais em 2017

Podemos identificar baixo desempenho relacionado a produtividade de carregamento nos períodos de 00:00 às 05:00 e 21:00 às 23:00.

Analisando o indicador ociosidade, podemos identificar que não houve impacto no primeiro período de baixo desempenho, porém no segundo período houve impacto direto na produtividade, chegando a atingir um valor de 45% na hora 23.

O indicador tempo médio de carregamento teve impacto direto no baixo desempenho do primeiro período analisado. O motivo principal foi a presença de blocos na frente de lavra, referentes a um afloramento de um corpo de dolomito não mapeado. A ação tomada neste caso foi o deslocamento do equipamento para outro local de carregamento e acionamento da equipe de perfuração de desmonte para fragmentação do material dolomítico.

5 – Resultados

A implementação do trabalho surpreendeu a equipe pela rapidez com que os resultados foram constatados. Na figura 2, abaixo, podemos identificar um período referente aos 15 primeiros dias de utilização da ferramenta. Durante a primeira semana, correspondente aos dias 25 de Abril a 1 de maio, foram constatados 93 alarmes operacionais, sendo 12 correspondentes ao nível 3. Já na segunda semana, correspondente aos dias 2 a 9 de Maio, foram identificados 46 alarmes operacionais e nenhum alarme relativo ao nível três. Portanto neste primeiro período de analise, pode-se constatar uma redução de 51% no número geral de eventos de alarmes operacionais e redução de 100% no número de eventos de alarmes relacionados ao nível de criticidade 3. Isto significa maior agilidade na identificação e resolução dos problemas relacionados ao desempenho dos equipamentos de carga.

Figura 2 – Evolução dos eventos de alarmes operacionais nos primeiros 15 dias de utilização da ferramenta

Figura 2 – Evolução dos eventos de alarmes operacionais nos primeiros 15 dias de utilização da ferramenta

Figura 3 – Acompanhamento mensal da produtividade de escavadeiras em 2018

Análise Produtividade Escavadeiras
  Período 1 Período 2 – Alarmes
Produtividade média (t/h) 3.016 3.158 4,71%

 

Figura 4 – Comparativo de produtividade de carregamento entre os dois períodos analisados

6 – Conclusão

O trabalho foi desenvolvido com os recursos existentes na empresa CSN Mineração, não sendo necessário nenhum investimento prévio. Sua execução possibilitou a elevação do patamar de produtividade da frota de carregamento através de uma gestão mais eficiente, com rápida identificação de anormalidades operacionais a utilização de novas tecnologias de análise de dados.

Foi comprovado que a inteligência artificial, associado a gestão de pessoas e processos gerou aumento na produtividade dos equipamentos de carga de grande porte em 4,71%, gerando potencial de redução de custos operacionais da ordem de R$ 10 Milhões por ano

Autores:

Walter Schmidt Felsch Junior

André Cardoso Joviano

Valdeis de Souza Oliveira

Pablo Rodrigo Vieira da Cunha

Ricardo Paulo de Almeida Domingos

Éder Flavio de Araújo Costa

Carlos Enrique Arroyo Ortiz

Eng.º de Minas Walter Schmidt Felsch Junior, MSc.

Cargo: Engenheiro Sênior – CSN Mineração

Possui graduação em Engenharia de Minas pela Universidade Federal de Ouro Preto. Mestre em Engenharia Mineral (PPGEM – UFOP – 2014). MBA em Gestão de empresas e Negócios (BI International – 2016). Tem 11 anos de experiência na área de mineração a céu aberto, atuando nas áreas de controle de tráfego de mina, produção de minério de ferro; desenvolvimento e análise de indicadores de desempenho e redução de custos operacionais.

walter.felsch@csn.com.br

André Cardoso Joviano

Cargo: Técnico especialista – CSN Mineração

Especialista em TI na área de programação computacional em linguagem SQL.  Atua na Companhia Siderúrgica Nacional desde 2007, atualmente é desenvolvedor de programas na CSN Mineração.

andre.cardoso@csn.com.br

Valdeis de Souza Oliveira

Cargo: Supervisor de produção – CSN Mineração

Histórico: Técnico em mineração com experiência em operação, infraestrutura e controle de trafego de mina. Atua na CSN Mineração como supervisor do despacho eletrônico desde 2008.

valdeis.oliveira@csn.com.br

Eng.º de Minas Pablo Rodrigo Vieira da Cunha

Cargo: Eng Especialista – CSN Mineração

Possui graduação em Engenharia de Minas pela Universidade Federal de Ouro Preto e MBA em Gerenciamento de Projetos pela Fundação Getúlio Vargas. Possui 16 anos de experiência em mineração, sendo gerente na Anglo American e CSN nas áreas de planejamento, infraestrutura e operação de mina. Atualmente é engenheiro especialista na CSN Mineração.

pablo.cunha@csn.com.br

Ricardo Paulo de Almeida Rodrigues,

Cargo: Técnico de desenvolvimento II – CSN Mineração

Graduado em Engenharia Metalúrgica, possui cinco anos de experiência em operação de mina de pequeno e grande porte envolvendo atividades de carregamento e transporte;

ricardo.domingos@csn.com.br

Eng.º de Minas Eder Flávio Araújo Costa

Cargo: Gerente de Planejamento de Lavra – CSN Mineração

Graduado em Engenharia de Minas pela Universidade Federal de Ouro Preto com 12 anos de experiência na área de Planejamento de Lavra a céu aberto, sendo 8 anos no minério de ferro. Atuação na construção de Reservas Minerais e acompanhamentos de minas em operação.

eder.costa@csn.com.br

Eng.º de Minas Carlos Enrique Arroyo Ortiz

Cargo: Professor Titular – Universidade Federal de Ouro Preto

Bacharel em Engenharia de Minas pela Universidade Nacional San Antonio Abad del Cusco Perú (2002), Mestre em Engenharia Mineral (Lavra de Minas) (2008), Doutor em Geociências (2014) pela Escola de Minas – Universidade Federal de Ouro Preto, Pós-doutorado em Planejamento de Lavra de Minas (2016) no Delphos -AMTC (Advanced Mining Technology Center – Universidade do Chile). Possui experiência na iniciativa privada como engenheiro e consultor. Na atualidade é Pesquisador e Professor do Departamento de Engenharia de Minas da Universidade Federal de Ouro Preto – UFOP. Atua na área de Engenharia de Minas, com ênfase em Modelagem Geoestatística e Geometalurgica de Depósitos Minerais, Planejamento de Lavra e na Otimização das Operações Unitárias de Lavra de Minas.

carroyo@ufop.edu.br

Deixe uma resposta

O seu endereço de e-mail não será publicado. Campos obrigatórios são marcados com *