Fabricação de Semicondutores
Indústria
Produtos utilizados
Muitos de nós já experimentaram o choque de receber uma conta de eletricidade que supera nossas expectativas e nossos orçamentos. Em casa, podemos responder desligando luzes quando não estão em uso, trocando por lâmpadas de baixo consumo e outras maneiras comuns para reduzir o consumo de energia.
Mas, e se tivéssemos que prosseguir nossas atividades diárias sem essas opções? Prever os custos de energia e criar um orçamento realista se tornaria uma prioridade importante. Esse é exatamente o dilema que muitos fabricantes enfrentam: na ausência de maneiras de reduzir o consumo de eletricidade e cumprir, ao mesmo tempo, as metas de produção, eles procuram prever com precisão o consumo para que possam tomar decisões financeiras informadas.
Essa foi a abordagem de uma fábrica de semicondutores na Tailândia, que usou o Minitab Statistical Software para examinar sua carga elétrica flutuante. A produção de material semicondutor, que é a base de muitos produtos eletrônicos, está em alta procura e o equipamento da fábrica deve funcionar quase continuamente. Usando a análise de dados, uma equipe de projeto na fábrica se preparou para determinar o método de previsão de consumo de eletricidade mais preciso para maximizar os lucros.
O Desafio
Os modelos de previsão identificam padrões nos dados e depois usam esses padrões para prever como uma certa variável, nesse caso, o consumo de eletricidade da fábrica, se comportaria no futuro. A equipe precisou analisar três anos de dados históricos da Metropolitan Electricity Authority (MEA) usando seis modelos de previsão estabelecidos e um novo método criado para esse projeto. O novo método incorpora fatores específicos ao processo de fabricação de semicondutores da fábrica.
Cada modelo de previsão produz previsões de seis meses para a carga elétrica da fábrica. Esses resultados podem então ser comparados aos dados históricos. Ao calcular o Erro Percentual Absoluto Médio (MAPE), que expressa a precisão de um método de previsão específico como uma porcentagem de erro, a equipe pode determinar qual modelo forneceria as previsões mais precisas.
A equipe de projeto precisava avaliar cada método e usar o modelo com o menor valor de MAPE para estimar o custo da eletricidade, criar um orçamento sensato e tomar decisões financeiras sólidas.
Como o Minitab Ajudou
A equipe examinou seis análises de séries temporais que empregam métodos simples de previsão e suavização. Cada modelo destaca diferentes componentes dos dados coletados ao longo de um período de tempo, incluindo tendência, sazonalidade, ciclos e movimento irregular, e depois estende as estimativas dos componentes no futuro para fornecer previsões. A equipe usou cada modelo para prever a utilização de eletricidade seis meses no futuro.
Primeiro, a equipe de projeto usou o método de análise de tendência, que ajusta uma linha de tendência geral aos dados de consumo de eletricidade. Essa análise mostra a tendência, em longo prazo, de subida ou queda da série ao longo de um período de tempo.
Depois, usando o método de decomposição, que recebe esse nome por sua capacidade de "decompor" um problema em subproblemas, a equipe conseguiu examinar componentes dos dados que não foram incluídos no método de análise de tendências. Dividir os dados da série temporal do consumo de eletricidade em partes adicionais, como sazonalidade, ciclos e variações aleatórias, permitiu que a equipe fatorasse o impacto de cada componente nas previsões do modelo.
Para suavizar flutuações em curto prazo nos dados e destacar as tendências e ciclos em longo prazo, a equipe calculou a média de observações consecutivas na série para calcular as médias móveis. Como os pontos de dados individuais criados pela sazonalidade, ciclos e variação aleatória são aproximados nesse modelo, o conjunto de dados suavizado pode revelar padrões importantes que seriam difíceis de serem vistos de outro modo.
A equipe ganhou ainda outra perspectiva ao exibir os dados usando o método de suavização exponencial simples, que atribuiu pesos exponencialmente decrescentes aos pontos de dados ao longo do tempo. Essa técnica previu o consumo de eletricidade da fábrica colocando maior ênfase nos dados mais recentes.
Como a suavização exponencial simples não é ideal quando há uma tendência nos dados, a equipe de projeto introduziu um segundo componente usando o método de suavização exponencial dupla, que leva em conta a possibilidade de uma tendência na série. Essa abordagem também fornece pesos decrescentes a observações mais antigas na série temporal, mas suaviza a tendência e inclinação usando diferentes constantes para cada uma delas.
Para estender o método de suavização exponencial dupla para incluir a tendências e as variações sazonais, a equipe usou uma técnica conhecida como método de Winters para calcular estimativas dinâmicas de três componentes: nível, tendência e sazonalidade.
A variedade de métodos de previsão e suavização oferecida no Minitab permite que a equipe de projeto analise, exiba e avalie facilmente seus dados usando cada uma dessas diferentes abordagens, além do método que incorpora os fatores específicos à sua fábrica. A precisão de cada método foi avaliada comparando os resultados de cada modelo com os dados reais.
O método de previsão concebido pela equipe incorporou fatores específicos pertinentes ao processo da fábrica de semicondutores, como exigências de máquina, tempo inativo da máquina e quilowatts usados para cada estado, e ajustou os dados brutos de consumo de eletricidade fornecidos pela empresa de luz. A equipe comparou então os resultados de cada modelo estabelecido com aqueles do seu método.
Resultados
Após criar gráficos de séries temporais e calcular o valor do MAPE de cada um dos métodos estabelecidos, a equipe comparou cada método aos dados de consumo de energia real e descobriu que todos eram similares na precisão da previsão. No entanto, o valor do MAPE associado ao novo método da equipe foi de 2,48, um valor significativamente menor que o dos modelos estabelecidos, tornando-o a melhor escolha para prever o consumo de eletricidade futuro da fábrica.
Com a capacidade de construir e aplicar diferentes análises de série temporal no Minitab, a equipe pôde comparar facilmente seu método novo e não testado com os estabelecidos. A análise de dados verificou que seu modelo era melhor que os outros métodos e permitiu que eles começassem a usá-lo com confiança.
Essa história foi adaptada de um artigo publicado no vol. 2, edição 10 de outubro de 2013 do International Journal of Advanced Research in Computer and Communication Engineering.