Análise de métodos de agrupamento de dados para detecção de anomalias na precificação e categorização de peças da indústria automotiva

• Ano de defesa: 2021
• Autor(a) principal: Guerreiro, Marcio Trindade
• Orientador(a): Siqueira, Hugo Valadares
• Banca de defesa: Siqueira, Hugo Valadares , Bastos Filho, Carmelo Jose Albanez , Trojan, Flavio , Góis, Lourival Aparecido de , Stevan Junior, Sergio Luiz
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Universidade Tecnológica Federal do Paraná; Ponta Grossa
• Programa de Pós-Graduação: Programa de Pós-Graduação em Ciência da Computação
• País: Brasil
• Palavras-chave em Português: Análise por agrupamento; Processamento eletrônico de dados; Algorítmos computacionais; Indústria automobilística; Controle de custo; Cluster analysis; Electronic data processing; Computer algorithms; Automobile industry and trade; Cost control
• Área do conhecimento CNPq: CNPQ::CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO
• Link de acesso: http://repositorio.utfpr.edu.br/jspui/handle/1/24489

O desempenho de fabricação de uma empresa para redução de custos é uma ação de extrema importância para garantir a competitividade e evitar desperdício de recursos. As variáveis de processos e composição de produtos na indústria automotiva, geram diariamente uma quantidade de combinações de configurações de dados e de cenários que tornam inviável seu processamento de forma manual. Com isso, boa parte do conhecimento gerado acaba não sendo utilizado diretamente em itens similares, acarretando, por muitas vezes, em grandes diferenças de custos por pequenas diferenças estruturais e de design do produto. O objetivo desse trabalho é comparar o desempenho de algoritmos de clusterização e munido de etapas de pré-processamento para o agrupamento de peças, considerando características físicas de fabricação. Em seguida, é feita uma comparação de eficiência de custo de componentes similares, auxiliando na tomada de decisão para formação de estratégias para alcançar o ponto ótimo relativo aos custos desses componentes. Foi realizado o agrupamento através dos seguintes algoritmos: K-Means, K-Medoids, Fuzzy C-Means - FCM, Hierarquico, Agrupamento por Densidade Espacial em Aplicações com Ruido (Density Based Spatial Clustering of Applications with Noise - DBSCAN), Mapas AutoOrganizáveis (Self Organizing Maps - SOM), Otimização por Enxame de Partículas (Particle Swarm Optmization - PSO), algoritmo Genético (Genetic Algorithm - GA) e Evolução Diferencial (Differential Evolution - DE). Como métrica de comparação utilizou-se os seguintes índices: Soma dos Erros Quadráticos (Sum of Squared Errors - SSE), Soma das Distâncias Internas (Sum of Squares Within Clusters - SSW), Soma das Distâncias Externas (Sum of Squares Between Clusters - SSB), (Calinski-Harabasz - CH), o índice WB e Silhouette. O algoritmo hierárquico foi o que obteve os melhores resultados práticos, quando verificada a métrica SI e no resultado geral pontuando-se todas diferentes métricas aplicadas.