Registro fonte: Técnicas de ciência de dados aplicadas à detecção de padrões de falha em processos de pintura automotiva

Técnicas de ciência de dados aplicadas à detecção de padrões de falha em processos de pintura automotiva

Automotive paint automation is a delicate process, consisting of multiple steps that neatly apply sensitive layers of painting to vehicles. Each layer has a particular purpose that is initially linked to protection and, finally, defines the final visual aspects. Due to the interdependence among pain...

ver descrição completa

Principais autores:	Casasolla, Jian Rodrigo, Tito, Ana Letícia Lopes, Pastro, Cristian Roberto, Teixeira, Marcelo
Formato:	Trabalho Apresentado em Evento
Idioma:	Português
Publicado em:	Dois Vizinhos 2022
Assuntos:	Automação Banco de dados Python (Linguagem de programação de computador) Automation Data bases Python (Computer program language) CNPQ::CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO
Acesso em linha:	http://repositorio.utfpr.edu.br/jspui/handle/1/30150
Tags:	Adicionar Tag Sem tags, seja o primeiro a adicionar uma tag!

id	riut-1-30150
recordtype	dspace
spelling	riut-1-301502022-11-24T06:07:45Z Técnicas de ciência de dados aplicadas à detecção de padrões de falha em processos de pintura automotiva Data science techniques applied to detecting failure patterns in automotive painting processes Casasolla, Jian Rodrigo Tito, Ana Letícia Lopes Pastro, Cristian Roberto Teixeira, Marcelo Automação Banco de dados Python (Linguagem de programação de computador) Automation Data bases Python (Computer program language) CNPQ::CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO Automotive paint automation is a delicate process, consisting of multiple steps that neatly apply sensitive layers of painting to vehicles. Each layer has a particular purpose that is initially linked to protection and, finally, defines the final visual aspects. Due to the interdependence among paint layers, errors in internal layers often compromise subsequent layers. Thus, at the time the vehicle passes though the quality inspection, at the end of the process, it may be rejected for not complying with the required standards, being sent for rework. This article presents a data science approach to identifying patterns in the automotive painting process that could result in poor final product formation. The approach is implemented using the Google Collaborative tool, with libraries for the Python language, and applied to a real database of a painting process. Results show that it is possible to anticipate the control system performance patterns that have less probability of failure in the inspection process. A automação da pintura automotiva é um processo delicado, composto por múltiplas etapas que, ordenadamente, aplicam camadas sensíveis de pintura na carroceria do veículo. Cada camada possui um propósito particular que, inicialmente, é atrelado à proteção e, por fim, define os aspectos visuais finais. Devido à interdependência entre as camadas de pintura, erros em camadas internas em geral comprometem as camadas subsequentes. Com isso, no momento em que o veículo passar pela inspeção de qualidade, ao final do processo, este poderá ser reprovado por não estar de acordo com os padrões exigidos, sendo enviado para retrabalho. Este artigo apresenta uma abordagem de ciência de dados para identificar padrões no processo de pintura automotiva, que possam resultar em má formação do produto final. A abordagem é implementada usando a ferramenta Google Colaboratory, com bibliotecas para a linguagem Python, e aplicada sobre uma base de dados reais de um processo de pintura. Resultados mostram que é possível antecipar ao sistema de controle padrões de atuação com menor probabilidade de falha de inspeção. 2022-11-23T14:26:46Z 2022-11-23T14:26:46Z 2021-11-18 conferenceObject CASASOLLA, Jian Rodrigo; TITO, Ana Letícia Lopes; PASTRO, Cristian Roberto; TEIXEIRA, Marcelo. Técnicas de ciência de dados aplicadas à detecção de padrões de falha em processos de pintura automotiva. In: CONGRESSO BRASILEIRO DE ENGENHARIA DE PRODUÇÃO, 6. (ConBrepo), 2021, On-line. Anais... [S. l.]: APREPRO, 2021. On-line. ISSN 2237-6143. Disponível em: <https://aprepro.org.br/conbrepro/2021/anais/>. 2237-6143 http://repositorio.utfpr.edu.br/jspui/handle/1/30150 por Congresso Brasileiro de Engenharia de Produção https://aprepro.org.br/conbrepro/2021/anais/ openAccess Attribution-ShareAlike 4.0 International http://creativecommons.org/licenses/by-sa/4.0/ application/pdf Dois Vizinhos Brasil
institution	Universidade Tecnológica Federal do Paraná
collection	RIUT
language	Português
topic	Automação Banco de dados Python (Linguagem de programação de computador) Automation Data bases Python (Computer program language) CNPQ::CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO
spellingShingle	Automação Banco de dados Python (Linguagem de programação de computador) Automation Data bases Python (Computer program language) CNPQ::CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO Casasolla, Jian Rodrigo Tito, Ana Letícia Lopes Pastro, Cristian Roberto Teixeira, Marcelo Técnicas de ciência de dados aplicadas à detecção de padrões de falha em processos de pintura automotiva
description	Automotive paint automation is a delicate process, consisting of multiple steps that neatly apply sensitive layers of painting to vehicles. Each layer has a particular purpose that is initially linked to protection and, finally, defines the final visual aspects. Due to the interdependence among paint layers, errors in internal layers often compromise subsequent layers. Thus, at the time the vehicle passes though the quality inspection, at the end of the process, it may be rejected for not complying with the required standards, being sent for rework. This article presents a data science approach to identifying patterns in the automotive painting process that could result in poor final product formation. The approach is implemented using the Google Collaborative tool, with libraries for the Python language, and applied to a real database of a painting process. Results show that it is possible to anticipate the control system performance patterns that have less probability of failure in the inspection process.
format	Trabalho Apresentado em Evento
author	Casasolla, Jian Rodrigo Tito, Ana Letícia Lopes Pastro, Cristian Roberto Teixeira, Marcelo
author_sort	Casasolla, Jian Rodrigo
title	Técnicas de ciência de dados aplicadas à detecção de padrões de falha em processos de pintura automotiva
title_short	Técnicas de ciência de dados aplicadas à detecção de padrões de falha em processos de pintura automotiva
title_full	Técnicas de ciência de dados aplicadas à detecção de padrões de falha em processos de pintura automotiva
title_fullStr	Técnicas de ciência de dados aplicadas à detecção de padrões de falha em processos de pintura automotiva
title_full_unstemmed	Técnicas de ciência de dados aplicadas à detecção de padrões de falha em processos de pintura automotiva
title_sort	técnicas de ciência de dados aplicadas à detecção de padrões de falha em processos de pintura automotiva
publisher	Dois Vizinhos
publishDate	2022
citation	CASASOLLA, Jian Rodrigo; TITO, Ana Letícia Lopes; PASTRO, Cristian Roberto; TEIXEIRA, Marcelo. Técnicas de ciência de dados aplicadas à detecção de padrões de falha em processos de pintura automotiva. In: CONGRESSO BRASILEIRO DE ENGENHARIA DE PRODUÇÃO, 6. (ConBrepo), 2021, On-line. Anais... [S. l.]: APREPRO, 2021. On-line. ISSN 2237-6143. Disponível em: <https://aprepro.org.br/conbrepro/2021/anais/>. 2237-6143
url	http://repositorio.utfpr.edu.br/jspui/handle/1/30150
_version_	1805316049820712960
score	10,814766

Técnicas de ciência de dados aplicadas à detecção de padrões de falha em processos de pintura automotiva

Registros relacionados