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.
Thermometry analysis is a technique used in the agricultural industry to monitor the internal temperature of silos that store grains and other products. Digital sensors installed on pendulum cables are used for this purpose. However, these sensors may suffer consequences from poor electrical installation of the farm unit, which can generate problems such as low capacitance, inadequate grounding and interference in the electrical signal or even problems in the construction of the sensor that compromise the quality and accuracy of the temperature reading. Although these problems are often not worrying, some sensors may fail to read, leaving a space in the silo without thermometry. This work aims to apply and analyze the behavior of the standard Temporal Convolutional Network (TCN) model in univariate data that should be able to predict the temperature that these affected sensors would be indicating, providing an alternative for the user until the situation is resolved. To evaluate the model performance, statistical metrics, the Root Mean Square Error (RMSE), the Mean Squared Error (MSE) and the Mean Absolute Error (MAE) were used, providing a comprehensive analysis of the accuracy of the predictions, with the best and most important result obtaining 3.405 for the RMSE, 11.595 for the MSE and 1.805 for the MAE. This study seeks to contribute to the solution of a common problem in silo thermometry and can have a significant impact on the agricultural industry and the quality of stored food products, improving the quality of life of the end consumer and facilitating the work of the thermometry system operators.
