Browsing by Author "TAVARES, MIGUEL GUEDES"
Now showing 1 - 1 of 1
Results Per Page
Sort Options
- Data management, com recurso à IA, para otimizar a recolha e tratamento de dados de um laboratório de pinturaPublication . TAVARES, MIGUEL GUEDES; Pereira, Maria Teresa Ribeiro; Pereira, Marisa João GuerraA presente dissertação tem como objetivo a otimização da recolha e do tratamento de dados de um laboratório de pintura automóvel da Toyota, através da implementação de ferramentas de digitalização, recorrendo também a técnicas de Inteligência Artificial (IA) para análise de dados. Partindo da análise do processo de recolha de dados, foram desenvolvidas novas bases de dados e uma aplicação digital, com vista a superar as limitações decorrentes do registo manual e da dispersão da informação. Para além disto, foi realizada uma análise exploratória dos dados, aplicando modelos de Machine Learning (ML), de modo a verificar o potencial preditivo e causal dos parâmetros existentes para o apoio à decisão. A digitalização é cada vez mais um ponto fundamental para a sobrevivência e aumento da competitividade das organizações, sendo justificado através da revisão da literatura, visto que estudos similares confirmam a relevância do uso de IA e digitalização em contextos industriais. No que toca à vertente prática, os resultados demonstram que a implementação de uma ferramenta digital melhora significativamente um processo de recolha de dados, reduzindo um máximo de cerca de 34% do tempo despendido para transcrição de documentos físicos para Excel. Também foi verificado um aumento da segurança, flexibilidade e coerência dos dados, eliminando 100% dos erros. Quanto aos resultados dos modelos desenvolvidos, para uma análise causal, os modelos de regressão linear apresentaram melhor desempenho, atingindo valores de 𝑅2 de 0.954 e 0.900 nos dois datasets utilizados para análise, o que não justifica, atualmente, o aumento da complexidade. Isto também permitiu perceber que, para o processo de pintura por eletrodeposição, o teor de sólidos do ultrafiltrado I e variáveis de pH aplicam influência sobre o número de defeitos. Contudo, os modelos de previsão, com erros absolutos médios percentuais entre 10% e 20%, demonstram que, para aplicação industrial, os parâmetros recolhidos pelo laboratório não conseguem explicar a variabilidade na sua totalidade. Análises mais detalhadas reforçam que não foi a arquitetura dos modelos que limitou o desempenho, mas sim o facto da inexistência de informação sobre todas as etapas do processo. Assim, o trabalho contribui para a modernização do laboratório e constitui um ponto de partida para futuras investigações orientadas para a automação total da recolha de dados e para a possível implementação de sistemas de IA como suporte à decisão.