ANÁLISE DE DADOS MASSIVOS DE SECADORES DE GRÃOS VIA IOT: EFICIÊNCIA, RISCOS E OPORTUNIDADES
Conteúdo do artigo principal
Resumo
Este artigo apresenta um estudo aplicado de mineração de dados sobre registros operacionais de 352 secadores de grãos conectados via IoT, com o objetivo de identificar padrões críticos e oportunidades de melhoria no desempenho térmico, operacional e de segurança. Foram analisados mais de 18 milhões de registros coletados entre 2021 e 2023, contendo variáveis como temperatura de secagem, nível de produto e pressão em múltiplos pontos dos equipamentos. O tratamento dos dados incluiu pré-processamento rigoroso, integração de pacotes heterogêneos e geração de variáveis auxiliares. As análises revelaram que cerca de 30% dos equipamentos operaram acima do limite térmico seguro, 65% apresentaram secagem sem nível mínimo de grãos e sete unidades superaram o limite de temperatura de exaustão, indicando riscos operacionais. A correlação entre sensores evidenciou baixa associação entre variáveis térmicas e de nível, justificando o uso de abordagens multivariadas. Os resultados fornecem subsídios para ações técnicas e comerciais, como automação preditiva, manutenção preventiva e capacitação orientada por dados.
Detalhes do artigo
Referências
GUEVARA-HERNANDEZ, F.; GIL, J. G. A machine vision system for classification of wheat and barley grain kernels. Spanish Journal of Agricultural Research, v. 3, p. 672–680, 2011.
KAMILARIS A., Andreas Kartakoullis, Francesc X. Prenafeta-Boldú, A review on the practice of big data analysis in agriculture, Computers and Electronics in Agriculture, Volume 143, 2017, Pages 23-37, ISSN 0168-1699, https://doi.org/10.1016/j.compag.2017.09.037.
OLIVEIRA, A. et al. Secagem, armazenamento e processamento de arroz: efeitos de operações de pós-colheita na qualidade de grãos. Ciência do Arroz, v. 29, p. 16–30, 2022.
OLIVEIRA, A.; VIJAYAKUMAR, P. A necessidade de programas de segurança alimentar baseados na prevenção para produtos frescos. Tendências de Proteção de Alimentos, v. 39, p. 572–579, 2019.
SCHMIDT, D.; Casagranda, L.F.; Butturi, M.A.; Sellitto, M.A. Digital Technologies, Sustainability, and Efficiency in Grain Post-Harvest Activities: A Bibliometric Analysis. Sustainability 2024, 16, 1244. https://doi.org/10.3390/su16031244
TAGHIZADEH-MEHRJARDI, R.; NABIOLLAHI, K.; KERRY, R. Digital mapping of soil organic carbon at multiple depths using different data mining techniques in Baneh region, Iran. Geoderma, v. 266, p. 98–110, 2016.
TALAVERA, J.M., et al. (2017) Review of IoT Applications in Agro-Industrial and Environmental Fields. Computers and Electronics in Agriculture, 142, 283-297. https://doi.org/10.1016/j.compag.2017.09.015
WU, W. et al. A comparison of support vector machines, artificial neural network and classification tree for identifying soil texture classes in southwest China. Computers and Electronics in Agriculture, v. 144, p. 86–93, 2018.