Título

PREDIÇÃO DE QUALIDADE BASEADA EM MACHINE LEARNING

MACHINE LEARNING BASED QUALITY PREDICTION

Autoria

Coppe, Jérémy; Samuylova, Elena; Queiroz, Marcos

Coppe, Jérémy

Eu sou esse autor

Samuylova, Elena

Eu sou esse autor

Queiroz, Marcos

Eu sou esse autor

DOI

10.5151/2594-5335-33784

Downloads

Resumo

Na indústria siderúrgica quantidades de até 5% das peças produzidas precisam ser total ou parcialmente sucateadas devido a defeitos de qualidade. A maioria dos defeitos encontrados é relacionada com etapas iniciais do processo produtivo, mas estes defeitos são mais frequentemente encontrados nos produtos finais. E muitas perdas poderiam ser evitadas se defeitos fossem descobertos em etapas preliminares através de ações como, por exemplo: mudança da rota de produção do material, adaptação de parâmetros de processos, ou inclusão de etapas corretivas. Contudo, a quantidade de dados a serem analisados torna impossível para especialistas de qualidade previrem estes defeitos, e para isso criamos modelos matemáticos complexos que correlacionam os defeitos com milhares de dados de máquina e de processo evoluindo ao longo do tempo. Adicionalmente, uma maneira prática de se aplicar esse modelo de predição de qualidade é o de se definir um conjunto de ações para todas as peças consideradas suspeitas de conterem um defeito. Para isso ser efetivo precisamos adicionalmente definir o limite da probabilidade do defeito a partir do qual as ações serão tomadas, e esse limite deve levar em conta o custo da ação corretiva em comparação com a probabilidade e o custo do defeito.

In the steel industry quantities of up to 5% of the pieces produced need to be totally or partially scrapped due to quality defects. Most of the defects found are related to the early stages of the production process, but these defects are most often found in the final products. And many losses could be avoided if defects were discovered in preliminary stages through actions such as: changing the production route of the material, adapting process parameters, or adding corrective steps. However, the amount of data to be analyzed makes it impossible for quality specialists to predict these defects, and for this complex mathematical models have been created, correlating defects with thousands of machine and process data evolving over time. In addition, a practical way of applying this quality prediction model is to define a set of actions for all the pieces considered suspected to contain a defect. For this to be effective we need to further define the probability threshold of the defect from which the actions will be taken, and this threshold must take into account the cost of the corrective action in comparison with the probability and cost of the defect.

Palavras-chave

Machine Learning; Qualidade; Dados; Defeitos

Machine Learning; Quality; Data; Defects