Previsão de temperatura em silos com temporal convolutional network para contornar possíveis falhas em sensores de temperatura digitais

Resumo

A análise da termometria é uma técnica utilizada na indústria agrícola para monitorar a temperatura interna dos silos que armazenam grãos e outros produtos, sensores digitais instalados em cabos pêndulos são utilizados para esse fim. Entretanto, esses sensores podem sofrer consequências da má instalação elétrica da unidade da fazenda, o que pode gerar problemas como baixa capacitância, aterramento inadequado e interferência no sinal elétrico ou até mesmo problemas na construção do sensor que comprometem a qualidade e precisão da leitura da temperatura. Embora esses problemas muitas vezes não sejam preocupantes, alguns sensores podem falhar na sua leitura, deixando um espaço do silo sem a termometria. O presente trabalho tem como objetivo aplicar e analisar o comportamento do modelo padrão de Temporal Convolutional Network (TCN) em dados univariados que deve ser capaz de prever a temperatura que esses sensores afetados estariam indicando, fornecendo uma alternativa para o usuário até que a situação seja resolvida. Para avaliar o desempenho do modelo, foram utilizadas métricas estatísticas, o Root Mean Square Error (RMSE), o Mean Squared Error (MSE) e o Mean Absolute Error (MAE), fornecendo uma análise abrangente da precisão das previsões, com o melhor e mais importante resultado obtendo 3,405 para o RMSE, 11,595 para o MSE e 1.805 para o MAE. Este estudo busca contribuir para a solução de um problema comum na termometria de silos e pode ter impacto significativo na indústria agrícola e na qualidade dos produtos alimentícios armazenados, melhorando a qualidade de vida do consumidor final e facilitando o trabalho dos operadores do sistema de termometria.