Aplicação de inteligência artificial na medição e monitoramento de desalinhamento em transportadores de correia

Abstract

No Brasil, o setor mineral, que engloba a indústria extrativa mineral e a indústria de transformação mineral, representa atualmente cerca de 3,2% do PIB nacional. À medida que sua influência econômica cresce, também aumentam as preocupações relacionadas ao desenvolvimento e adoção de novas tecnologias para mitigar os impactos ambientais decorrentes do transporte de grandes volumes de cargas e da geração de resíduos em operações de grande porte. As correias transportadoras, amplamente utilizadas para o transporte de cargas, enfrentam desafios como desgaste e desalinhamentos, que podem resultar em paralisações não programadas, contaminação ambiental, riscos para os trabalhadores e perda de materiais, gerando prejuízos substanciais. Este trabalho de conclusão de curso foca na implementação de inteligência artificial para identificar e monitorar o desalinhamento em correias transportadoras. Atualmente, esse processo é realizado visualmente pelo operador ou por meio de sensoriamento booleano, que apenas indica a presença ou ausência do desalinhamento, sem fornecer métricas detalhadas sobre a gravidade do problema. A metodologia empregada no sistema desenvolvido, envolve o monitoramento por meio de imagens com processamento local, fornecendo informações sobre a taxa de desalinhamento. O modelo neural escolhido para a detecção, o Yolo V8m, apresenta desempenho satisfatório em termos de velocidade e precisão. Neste trabalho, são apresentados resultados tanto off-line quanto on-line na planta piloto construída. Desse modo, o objetivo final é aprimorar a eficiência operacional e promover a sustentabilidade ambiental nas operações do setor mineral.

ABSTRACT In Brazil, the mining sector, encompassing both the mineral extraction industry and the mineral processing industry, currently represents about 3.2% of the national GDP. As its economic influence grows, concerns related to the development and adoption of new technologies to mitigate environmental impacts from transporting large volumes of cargo and generating waste in large-scale operations are also increasing. Conveyor belts, widely used for cargo transportation, face challenges such as wear and misalignment, which can result in unplanned shutdowns, environmental contamination, risks to workers, and material loss, leading to substantial financial losses. This final project focuses on the implementation of artificial intelligence to identify and monitor misalignment in conveyor belts. Currently, this process is carried out visually by the operator or through Boolean sensing, which only indicates the presence or absence of misalignment without providing detailed metrics on the severity of the issue.The methodology employed involves monitoring through images with local processing, providing information on the misalignment rate. The neural model chosen for detection, Yolo V8m, demonstrates satisfactory performance in terms of speed and accuracy. In this work, results are presented both offline and online in the constructed pilot plant. Thus, the ultimate goal is to enhance operational efficiency and promote environmental sustainability in the mineral sector operations. Keywords: Computer Vision. YOLO. Neural Networks. Artificial Intelligence. Belt conveyor.