Sistemas automáticos de controle de qualidade baseados em reconhecimento de padrões e processamento de sinais esparsos Automatic quality control systems based on pattern recognition and sparse signal processing

Autor: Palma, Diogo Alfieri, 1990
Přispěvatelé: Duarte, Leonardo Tomazeli, 1982, Torezzan, Cristiano, Pipa, Daniel Rodrigues, Universidade Estadual de Campinas. Faculdade de Ciências Aplicadas, Programa de Pós-Graduação em Engenharia de Produção e de Manufatura, UNIVERSIDADE ESTADUAL DE CAMPINAS
Rok vydání: 2020
Předmět:
Zdroj: Biblioteca Digital de Teses e Dissertações da Universidade Estadual de Campinas (UNICAMP)
Universidade Estadual de Campinas (UNICAMP)
instacron:UNICAMP
DOI: 10.47749/t/unicamp.2019.1127097
Popis: Orientador: Leonardo Tomazeli Duarte Dissertação (mestrado) - Universidade Estadual de Campinas, Faculdade de Ciências Aplicadas Resumo: As cartas de controle representam uma importante ferramenta para a identificação de causas que afetam a estabilidade de processos. Os planos de ação que visam mitigar, corrigir e/ou prevenir a ocorrência dessas causas são fundamentais para a redução de custos e o aumento da lucratividade nas organizações. Nos últimos anos, diversos trabalhos foram realizados com o objetivo de identificar padrões em cartas de controle. Contudo, um número reduzido desses estudos consideraram cenários nos quais mais de uma fonte afeta um processo ao mesmo tempo. Nesse caso, uma mistura de dois ou mais padrões - também denominada carta de controle concorrente - é gerada. O presente trabalho empregou técnicas de aprendizado de máquina para a classificação de cartas de controle concorrentes, geradas sinteticamente a partir de padrões anômalos descritos na literatura. Após a geração das misturas sintéticas, duas estratégias de classificação foram adotadas com base em Redes Neurais Artificiais (RNAs). Na primeira, os dados brutos das cartas de controle alimentaram uma RNA. A segunda estratégia, por sua vez, partiu do pré-processamento dos dados, através da aplicação do método de regressão esparsa denominado Least Absolute Shrinkage and Selection Operator (LASSO). Após o pré-processamento, os coeficientes obtidos pela regressão esparsa foram utilizados como entradas em uma RNA. Os resultados obtidos corroboram o emprego do método LASSO como seletor de características nesse contexto. A estratégia de alimentação da RNA com coeficientes extraídos via LASSO obteve resultados similares à alimentação com dados brutos utilizando, porém, consideravelmente menos entradas Abstract: Control charts represent an important tool for identifying causes that affect process stability. Action plans that aim to mitigate, correct and/or prevent the occurrence of these causes are fundamental for reducing costs and increasing profitability in organizations. In recent years, several studies have been carried out to identify patterns in control charts. However, a small number of these studies have considered scenarios in which more than one source affects one process at a time. In this case, a mixture of two or more patterns - also called concurrent control chart - is generated. The present work employed machine learning techniques to classify concurrent control charts, generated synthetically from abnormal patterns described in the literature. After the generation of synthetic mixtures, two classification strategies were adopted based on Artificial Neural Networks (ANNs). In the first, the raw data from the control charts fed an ANN. The second strategy, on the other hand, started from data preprocessing, through the application of the sparse regression method called Least Absolute Shrinkage and Selection Operator (LASSO). Then, the coefficients obtained by sparse regression were used as ANN inputs. The results obtained corroborate the use of the LASSO method as a feature selector in this context. The feeding strategy of ANN with coefficients extracted via LASSO obtained similar results to raw data feeding and used considerably less inputs Mestrado Pesquisa Operacional e Gestão de Processos Mestre em Engenharia de Produção e de Manufatura
Databáze: OpenAIRE
Externí odkaz: