Detecção de expulsão em processos de soldagem a ponto por resistência: uma análise comparativa envolvendo métodos baseados em aprendizado de máquina

Abstract

A utilização de manutenção preditiva na indústria auxilia na diminuição de custos de produção, pois reduz imprevistos ao reparar equipamentos durante períodos ociosos de funcionamento. Diversos métodos de aprendizado de máquina têm sido empregados para detecção de falhas em processos de soldagem. Neste estudo, os algoritmos Árvores de Decisão, k-ésimo Vizinho mais Próximo, Naive Bayes, Máquina de Vetores de Suporte e Boosting Adaptativo foram avaliados levando em conta a detecção de falhas no processo de soldagem a ponto por resistência na indústria automotiva. Neste sentido, o objetivo deste trabalho foi analisar o desempenho desses algoritmos na detecção de expulsão em soldas utilizando dados, não rotulados, provenientes de um controlador proprietário. Os resultados obtidos apresentam a acurácia de cada modelo levando em conta o conjunto de dados selecionado, indicando que técnicas de aprendizado de máquina podem ser utilizadas para a detecção de falhas no processo de soldagem. Por fim,
o método k-ésimo Vizinho mais Próximo se mostrou como o método mais preciso avaliado neste estudo.