Pereira, Maria Teresa RibeiroPereira, Marisa João GuerraTAVARES, MIGUEL GUEDES2025-11-192025-11-192025-09-30http://hdl.handle.net/10400.22/30993A 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.This dissertation aims to optimize and process data from Toyota’s automotive painting laboratory through the implementation of digitalization tools, also leveraging Artificial Intelligence (AI) techniques for data analysis. Based on the analysis of the data collection process, new databases and a digital application were developed to overcome the limitations arising from manual recording and information dispersion. In addition, an exploratory data analysis was conducted, applying Machine Learning (ML) models to assess the predictive and causal potential of the existing parameters. Digitalization is increasingly becoming a fundamental factor for the survival and competitiveness of organizations, as justified through the literature review, since similar studies confirm the relevance of using AI and digitalization in industrial contexts. From a practical perspective, the results show that implementing a digital tool significantly improves the data collection process, reducing by up to approximately 34% the time spent on transcribing physical documents into Excel. An increase in data security, flexibility, and consistency was also observed, eliminating 100% of errors. Regarding the outcomes of the developed models, for causal analysis, linear regression models performed better, achieving R² values of 0.954 and 0.900 in the two datasets used for analysis, which does not currently justify increasing complexity. This also made it possible to identify that, in the electrodeposition painting process, the solid content of ultrafiltrate I and pH-related variables influence the number of defects. However, the predictive models, with mean absolute percentage errors ranging between 10% and 20%, show that, for industrial application, the parameters collected by the laboratory cannot fully explain the observed variability. More detailed analyses reinforce that it was not the model architectures that limited performance, but rather the absence of information covering all stages of the process. Thus, this work contributes to the modernization of the laboratory and constitutes a starting point for future research aimed at the full automation of data collection and the potential implementation of AI systems as decision-support tools.porDigitalisationDatasetElectrodepositionLaboratoryAutomotive IndustryMachine LearningEletrodeposiçãoLaboratórioIndústria automóvelDigitalizaçãomaster thesis204034060