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

Detalhes bibliográficos
Autor(a) principal: Casasolla, Jian Rodrigo
Data de Publicação: 2021
Outros Autores: Tito, Ana Letícia Lopes, Pastro, Cristian Roberto, Teixeira, Marcelo
Tipo de documento: Artigo de conferência
Idioma: por
Título da fonte: Repositório Institucional da UTFPR (da Universidade Tecnológica Federal do Paraná (RIUT))
Texto Completo: http://repositorio.utfpr.edu.br/jspui/handle/1/30150
Resumo: 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.
id UTFPR-12_8f2c692a041eeb6d6b8ad65e1c0781be
oai_identifier_str oai:repositorio.utfpr.edu.br:1/30150
network_acronym_str UTFPR-12
network_name_str Repositório Institucional da UTFPR (da Universidade Tecnológica Federal do Paraná (RIUT))
repository_id_str
spelling Técnicas de ciência de dados aplicadas à detecção de padrões de falha em processos de pintura automotivaData science techniques applied to detecting failure patterns in automotive painting processesAutomaçãoBanco de dadosPython (Linguagem de programação de computador)AutomationData basesPython (Computer program language)CNPQ::CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAOAutomotive 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.Dois VizinhosBrasil2022-11-23T14:26:46Z2022-11-23T14:26:46Z2021-11-18info:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/conferenceObjectapplication/pdfCASASOLLA, 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/>.2237-6143http://repositorio.utfpr.edu.br/jspui/handle/1/30150porCongresso Brasileiro de Engenharia de Produçãohttps://aprepro.org.br/conbrepro/2021/anais/Attribution-ShareAlike 4.0 Internationalhttp://creativecommons.org/licenses/by-sa/4.0/info:eu-repo/semantics/openAccessCasasolla, Jian RodrigoTito, Ana Letícia LopesPastro, Cristian RobertoTeixeira, Marceloreponame:Repositório Institucional da UTFPR (da Universidade Tecnológica Federal do Paraná (RIUT))instname:Universidade Tecnológica Federal do Paraná (UTFPR)instacron:UTFPR2022-11-24T06:07:45Zoai:repositorio.utfpr.edu.br:1/30150Repositório InstitucionalPUBhttp://repositorio.utfpr.edu.br:8080/oai/requestriut@utfpr.edu.br || sibi@utfpr.edu.bropendoar:2022-11-24T06:07:45Repositório Institucional da UTFPR (da Universidade Tecnológica Federal do Paraná (RIUT)) - Universidade Tecnológica Federal do Paraná (UTFPR)false
dc.title.none.fl_str_mv 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
title Técnicas de ciência de dados aplicadas à detecção de padrões de falha em processos de pintura automotiva
spellingShingle Técnicas de ciência de dados aplicadas à detecção de padrões de falha em processos de pintura automotiva
Casasolla, Jian Rodrigo
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
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
author Casasolla, Jian Rodrigo
author_facet Casasolla, Jian Rodrigo
Tito, Ana Letícia Lopes
Pastro, Cristian Roberto
Teixeira, Marcelo
author_role author
author2 Tito, Ana Letícia Lopes
Pastro, Cristian Roberto
Teixeira, Marcelo
author2_role author
author
author
dc.contributor.author.fl_str_mv Casasolla, Jian Rodrigo
Tito, Ana Letícia Lopes
Pastro, Cristian Roberto
Teixeira, Marcelo
dc.subject.por.fl_str_mv 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
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
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.
publishDate 2021
dc.date.none.fl_str_mv 2021-11-18
2022-11-23T14:26:46Z
2022-11-23T14:26:46Z
dc.type.status.fl_str_mv info:eu-repo/semantics/publishedVersion
dc.type.driver.fl_str_mv info:eu-repo/semantics/conferenceObject
format conferenceObject
status_str publishedVersion
dc.identifier.uri.fl_str_mv 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
identifier_str_mv 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
dc.language.iso.fl_str_mv por
language por
dc.relation.none.fl_str_mv Congresso Brasileiro de Engenharia de Produção
https://aprepro.org.br/conbrepro/2021/anais/
dc.rights.driver.fl_str_mv Attribution-ShareAlike 4.0 International
http://creativecommons.org/licenses/by-sa/4.0/
info:eu-repo/semantics/openAccess
rights_invalid_str_mv Attribution-ShareAlike 4.0 International
http://creativecommons.org/licenses/by-sa/4.0/
eu_rights_str_mv openAccess
dc.format.none.fl_str_mv application/pdf
dc.publisher.none.fl_str_mv Dois Vizinhos
Brasil
publisher.none.fl_str_mv Dois Vizinhos
Brasil
dc.source.none.fl_str_mv reponame:Repositório Institucional da UTFPR (da Universidade Tecnológica Federal do Paraná (RIUT))
instname:Universidade Tecnológica Federal do Paraná (UTFPR)
instacron:UTFPR
instname_str Universidade Tecnológica Federal do Paraná (UTFPR)
instacron_str UTFPR
institution UTFPR
reponame_str Repositório Institucional da UTFPR (da Universidade Tecnológica Federal do Paraná (RIUT))
collection Repositório Institucional da UTFPR (da Universidade Tecnológica Federal do Paraná (RIUT))
repository.name.fl_str_mv Repositório Institucional da UTFPR (da Universidade Tecnológica Federal do Paraná (RIUT)) - Universidade Tecnológica Federal do Paraná (UTFPR)
repository.mail.fl_str_mv riut@utfpr.edu.br || sibi@utfpr.edu.br
_version_ 1850497993170485248

Registros relacionados