Use este identificador para citar ou linkar para este item:
http://repositorio.utfpr.edu.br/jspui/handle/1/27536| Título: | Aplicação de técnicas de aprendizado de máquina para determinar a velocidade de produção em máquinas coextrusoras |
| Título(s) alternativo(s): | Application of machine learning techniques to determine the production speed in extrusion machines |
| Autor(es): | Bomfim, Marlon Alves |
| Orientador(es): | Lima, Rafael Henrique Palma |
| Palavras-chave: | Aprendizado do computador Embalagens - Indústria Filmes plásticos - Extrusão Machine learning Package goods industry Plastic films - Extrusion |
| Data do documento: | 23-Nov-2021 |
| Editor: | Universidade Tecnológica Federal do Paraná |
| Câmpus: | Londrina |
| Citação: | BOMFIM, Marlon Alves. Aplicação de técnicas de aprendizado de máquina para determinar a velocidade de produção em máquinas coextrusoras. 2021. Trabalho de Conclusão de Curso (Bacharelado em Engenharia de Produção) - Universidade Tecnológica Federal do Paraná, Londrina, 2021. |
| Resumo: | Devido à necessidade de se otimizar processos, recursos e decisões, as indústrias têm investido em sistemas de informação para reduzir erros e perdas em seus processos produtivos. Ter maior confiabilidade e precisão nas informações recebidas é vital na tomada de decisões, e a utilização de técnicas de aprendizado de máquina (do inglês, Machine Learning - ML) tem auxiliado as indústrias, e por este motivo, a implementação destes algoritmos contribuem para o ganho de resultados. Com este foco, este trabalho teve como objetivo, a aplicação de técnicas de ML de classificação e regressão para predizer a velocidade de produção necessária para a confecção de materiais coextrusados, com base em dados históricos fornecidos. Os dados foram pré-processados e ao todo foram utilizadas 12 técnicas de aprendizado de máquina no estudo de modelos de classificação e regressão, cada um com configurações distintas. O primeiro método buscou classificar entre os valores históricos que a base de dados tem para definição de velocidade de produção, e o segundo método visou determinar a velocidade aproximada usando a base de dados como fonte de cálculo. Os resultados foram satisfatórios, com destaque para as técnicas de Árvores de Decisão e Random Forest que obtiveram um índice médio de acurácia de 77% e 78% em classificação e 79% e 82% em regressão, respectivamente. |
| Abstract: | Due to the need to optimize processes, resources and decisions, industries have invested in information systems errors and losses in their production process. Having a greater reliability accuracy in the information received is vital in decision making, and the use of machine learning has helped the industries, and for this reason, the implementation of Machine Learning (ML) methods contribute to the gain of results in the data automation and reliability. With this focus, this paper reports the application of ML classification and regression techniques to predict the production speed needed for the manufacture of coextruded materials, based on historical data provided To study this problem, consolidated ML techniques were chosen. The data was preprocessed and we used 12 machine learning techniques in the study of classification and regression models altogether, each one with distinct configurations. The first method aims to classify among historical values which the data base has to define the production speed and setup, and the second method aims to determine the approximate speed using the database as calculation source. The results were satisfactory, with emphasis on the Decision Trees and Random Forest techniques, which obtained an average accuracy rate of 77% and 78% in classification and 79% and 82% in regression, respectively. |
| URI: | http://repositorio.utfpr.edu.br/jspui/handle/1/27536 |
| Aparece nas coleções: | LD - Engenharia de Produção |
Arquivos associados a este item:
| Arquivo | Descrição | Tamanho | Formato | |
|---|---|---|---|---|
| aprendizadomaquinavelocidadecoextrusoras.pdf | 2,3 MB | Adobe PDF |  Visualizar/Abrir |
Os itens no repositório estão protegidos por copyright, com todos os direitos reservados, salvo quando é indicado o contrário.