Resumo

O presente estudo teve objetivo avaliar a utilização de dados da rede CAN Bus de Harvesters Florestais, através de técnicas de data mining e machine learning, para obtenção de insights operacionais relacionados ao consumo de diesel. A CAN Bus, nos entregou um total de 59 variáveis dos harvesters. Neste trabalho optamos por avaliar a correlação de Pearson de 15 variáveis com o consumo de diesel, sendo que 5 apresentaram correlação positiva e significativa e foram utilizadas para montar um modelo de redução de consumo de combustível.

O setor de árvores plantadas fornece inúmeros produtos de origem renovável essenciais para o dia a dia das pessoas. Com posição de destaque no desenvolvimento de uma economia de baixo carbono, o setor de base florestal é destacado por sua alta produtividade, melhores práticas de manejo florestal, responsabilidade social e modernas instalações produtivas. A redução do consumo de combustível impacta diretamente na redução do custo da madeira produzida e contribui para a mitigação de gases de efeito estufa, sendo o objetivo deste trabalho montar de modelo de redução de consumo nas máquinas.

Apresentar uma alternativa para melhorarmos a gestão do consumo de diesel no processo de colheita florestal, utilizando técnicas de data mining e machine learning, sendo que para isso foi feita a leitura dos dados presente na rede CAN Bus de 3 Harvestes, para obtenção do consumo instantâneo e outras variáveis que possam estar relacionadas à sua variação. A importância do estudo decorre da necessidade de avaliar possíveis diferenças de consumos entre máquinas e operadores, servindo para balizar futuros treinamentos.

Como identificamos algumas variáveis com melhor correlação com o consumo de diesel, buscamos avaliar se seria possível termos equações lineares, capaz de explicar a variação de consumo, todavia devido a multicolinearidade e baixo poder explicativo partimos para utilização de algoritmo do classificação. Assim partimos para a utilização de técnica de Machine Learning, K-NN (K-Nearest Neighbors), para a partir das mesmas 5 variáveis, para classificar os operadores como Operador Ótimo e Operador Oportunidade, onde obtivemos uma acurácia superior a 90%.

A partir do treinamento efetuado com o K-NN, que apresentou uma alta acuraria, acima de 90%, abrindo a possibilidade de a partir de 1 medição curta de operação, classificar os operadores em relação a sua habilidade técnica com as máquinas, especialmente em relação ao menor consumo de gasolina, para direcionar treinamentos para os operadores que não conseguem economizar tanto combustível.

A leitura dos dados da rede CAN Bus de Harvesters Floretais, é uma grande fonte de informações para identificarmos oportunidades operacionais, permitindo identificar padrões comportamentais de consumo de diesel entre operadores e consequentemente a classificação desses operadores em Operadores Ótimos e Operadores Oportunidade, gerando insights para focarmos os treinamentos operacionais nos operadores com maior consumo de diesel.