Skip navigation
Universidade Federal da Bahia |
Repositório Institucional da UFBA
Use este identificador para citar ou linkar para este item: https://repositorio.ufba.br/handle/ri/38881
Tipo: Dissertação
Título: Abordagens de aprendizado de máquina para reconhecimento de padrões em processos de manufatura
Título(s) alternativo(s): Machine learning approaches for pattern recognition in manufacturing processes
Autor(es): Oliveira, Rodrigo Marcel Araujo
Primeiro Orientador: Sant'Anna, Ângelo Márcio Oliveira
metadata.dc.contributor.referee1: Sant'Anna, Ângelo Márcio Oliveira
metadata.dc.contributor.referee2: Silva, Paulo Henrique Ferreira da
metadata.dc.contributor.referee3: Marcondes Filho, Danilo
Resumo: Abordagens de aprendizado de máquina para reconhecimento de padrões em processos de manufatura estão cada vez mais presentes no contexto da Indústria 4.0. Esse cenário permite que fábricas desenvolvam novas metodologias para o monitoramento e controle de qualidade de seus produtos, obtendo melhores indicadores de eficiência operacional e oferecendo produtos cada vez mais competitivos no mercado. A interpretabilidade dos modelos de aprendizado de máquina pode facilitar na compreensão de como os modelos tomam decisões e podem auxiliar no rastreamento para detecção de defeitos e anomalias. Este trabalho apresenta resultados de modelos de aprendizado de máquina supervisionados e não supervisionados para detecção de defeitos e de anomalias no processo de manufatura no contexto de uma indústria multinacional. O trabalho tem como objetivo desenvolver modelos de aprendizado de máquina para classificação de atributos multiclasses, binários e modelos de detecção de anomalias. Os dados são provenientes do processo de uniformidade de pneus. Os modelos Random Forest, Gradient Boosting Decision Tree, Ligth Gradient Boosting Machine, Logistic Regression, Support Vector Machine, Multi-layer Percepton, K-Nearest Neighbor, Gaussian Processes Classification foram considerados para classificação do desempenho de pneus em conformidade com os padrões de produção. Os métodos Local Interpretable Model-Agnostic Explanations e SHapley Additive exPlanations foram utilizadas para interpretação dos modelos. No contexto de classificação multiclasse, o modelo Random Forest apresentou resultados robustos e satisfatórios para classificação do desempenho dos pneus. O modelo também apresentou resultados adequados para detecção de defeitos no contexto de classificação binária, todavia o modelo Logistic Regression obteve resultados comparáveis segundo o teste estatístico McNemar. A Logistic Regression foi utilizada para determinar valores de referência para cada variável preditora selecionada pelo modelo para manufatura de pneus em conformidade com os padrões de qualidade. No contexto de detecção de anomalias foram considerados os modelos: Isolation Forest; Local Outlier Factor; One Class Support Vector Machine; Elliptic Envelop. O modelo Isolation Forest apresentou resultados satisfatórios para detecção de anomalias, com auxílio da técnica SHapley Additive exPlanations foi possível identificar quais foram as variáveis com maior influência no modelo. As diferentes abordagens são ferramentas relevantes e fornecem soluções robustas para garantir a eficiência da gestão do controle de qualidade em processos de manufatura.
Abstract: Machine learning approaches for pattern recognition in manufacturing processes are increasingly prevalent in the context of Industry 4.0. This scenario allows factories to develop new methodologies for monitoring and controlling the quality of their products, obtaining better indicators of operational efficiency, and offering increasingly competitive products in the market. The interpretability of machine learning models can facilitate understanding how models make decisions and can assist in tracking for defect detection and anomalies. This work presents results from supervised and unsupervised machine learning models for defect and anomaly detection in the manufacturing process within the context of a multinational industry. The goal of this work is to develop machine learning models for multi-class and binary attribute classification, as well as anomaly detection models. The data come from the tire uniformity process. The Random Forest, Gradient Boosting Decision Tree, Light Gradient Boosting Machine, Logistic Regression, Support Vector Machine, Multi-layer Perceptron, K-Nearest Neighbor, and Gaussian Processes Classification models were considered for classifying tire performance in compliance with production standards. The Local Interpretable Model-Agnostic Explanations and SHapley Additive exPlanations methodologies were used for model interpretation. In the context of multi-class classification, the Random Forest model yielded robust and satisfactory results for classifying tire performance. The model also showed adequate results for defect detection in binary classification; however, the Logistic Regression model achieved comparable results according to the McNemar’s statistical test. Logistic Regression was used to determine reference values for each selected predictor variable for tire manufacturing in compliance with quality standards. For anomaly detection, the following models were considered: Isolation Forest, Local Outlier Factor, One Class Support Vector Machine, and Elliptic Envelope. The Isolation Forest model provided satisfactory results for anomaly detection. With the help of the SHapley Additive exPlanations technique, it was possible to identify the variables with the greatest influence on the model. These different approaches are relevant tools and provide robust solutions to ensure the efficiency of quality control management in manufacturing processes.
Palavras-chave: Aprendizado de Máquina
Classificação Multiclasse
Classificação Binária
Detecção de Anomalias
Processos de Manufatura
CNPq: CNPQ::ENGENHARIAS
CNPQ::CIENCIAS EXATAS E DA TERRA
Idioma: por
País: Brasil
Editora / Evento / Instituição: Universidade Federal da Bahia
Sigla da Instituição: UFBA
metadata.dc.publisher.department: Escola Politécnica
metadata.dc.publisher.program: Programa de Pós-Graduação em Engenharia Industrial (PEI) 
URI: https://repositorio.ufba.br/handle/ri/38881
Data do documento: 4-Dez-2023
Aparece nas coleções:Dissertação (PEI)

Arquivos associados a este item:
Arquivo Descrição TamanhoFormato 
Dissertacao_mestrado_versao_final_Rodrigo_Marcel_Araujo_Oliveira.pdfDissertação de mestrado acadêmico7,54 MBAdobe PDFVisualizar/Abrir
Mostrar registro completo do item Visualizar estatísticas


Os itens no repositório estão protegidos por copyright, com todos os direitos reservados, salvo quando é indicado o contrário.