Abordagens de aprendizado de máquina para classificação multiclasse em processos de manufatura inteligente

Abordagens de aprendizado de m´ aquina para classificac¸ ˜ ao multiclasse em processos de manufatura inteligente Rodrigo M. A. Oliveira1,ˆ Angelo M. O. Sant’Anna1, Paulo H. Ferreira2 Programa de P´ os-Graduac¸ ˜ ao em Engenharia Industrial 1Escola Polit´ ecnica, Universidade Federal da Bahia 2Instituto de Matem´ atica e Estat´ ıstica, Universidade Federal da Bahia Salvador - BA, Brasil [email protected], [email protected], [email protected] Introduc¸ ˜ ao O monitoramento da manufatura de produtos para detecc¸ ˜ ao de defeitos ´ e essencial para garantir a eficiˆ encia dos processos e a conformidade com os padr˜ oes de qualidade de fabricac¸ ˜ ao. Este artigo prop˜ oe abordagens baseadas em algoritmos de aprendizado de m´ aquina (ML) para classificac¸ ˜ ao multiclasse no contexto de uma ind´ ustria de manufatura inteligente de pneus. Foram investigados os modelos Random Forest (RF), Gradient Boosting Decision Tree (GBDT), Light Gradient Boosting Machine (LGBM), Logistic Regression (LR), Gaussian Process Classifier (GPC), Multilayer Perceptron (MLP), k-Nearest Neighbors (KNN) e Support Vector Machine (SVM). A pesquisa visa desenvolver classificadores de alto desempenho para a inspec¸ ˜ ao de pneus de alta qualidade e auxiliar na identificac¸ ˜ ao de vari´ aveis preditoras com impacto significativo na classificac¸ ˜ ao de desempenho dos pneus [2]. Principais objetivos Avaliar o desempenho de diferentes modelos de ML para classificac¸ ˜ ao multiclasse da qualidade de pneus. Investigar a interpretabilidade dos modelos a fim de identificar as vari´ aveis preditoras mais influentes no desempenho dos pneus. Estudo de caso O presente estudo de caso foi realizado em uma ind´ ustria multinacional de pneus. Essa f´ abrica produz pneus para autom´ oveis de passeio. O desempenho dos pneus ´ e um indicador crucial para a f´ abrica, pois impacta diretamente nas vendas. Os dados coletados s˜ ao provenientes do sistema de manufatura inteligente da pr´ opria f´ abrica. O conjunto de dados ´ e composto por uma amostra de 107 observac¸ ˜ oes. A medic¸ ˜ ao da uniformidade do pneu envolve a rotac¸ ˜ ao do pneu com aplicac¸ ˜ ao de carga sobre um tambor girat´ orio em contato com o pneu, al´ em do uso de sensores de forc¸a montados ao lado do eixo do pneu, conforme exemplificado na Figura 1. Figura 1: Processo de uniformidade do pneu. A vari´ avel resposta deste estudo ´ e o desempenho do pneu, inspecionado quanto ao tamanho, massa e forc¸a irregulares sob condic¸ ˜ oes espec´ ıficas de press˜ ao, carga e velocidade. Esse conjunto de processos ´ e conhecido como teste de uniformidade e segue os padr˜ oes aceitos por fabricantes globais de pneus. O objetivo desse sistema ´ e identificar pneus com baixo desempenho, a fim de impedir sua comercializac¸ ˜ ao. O estudo contempla vari´ aveis como Variac¸ ˜ ao de Forc¸a Radial (RFV), Variac¸ ˜ ao de Forc¸a Lateral (LFV), Efeito Angular (PLY), Efeito de Conicidade (CONICITY), Excentricidade Radial (RRO), Harmˆ onico de 1◦ordem da Forc¸a Radial (H1RFV), Harmˆ onico de 2◦ordem da Forc¸a Radial (H2RFV), Harmˆ onico de 1◦ordem da Forc¸a Lateral (H1LFV), Harmˆ onico de 1◦ordem da Excentricidade Radial (H1RRO), Emenda da Banda de Rodagem (CAPSPLICE) e Qualidade do Pneu (GR). Metodologia A metodologia proposta compreende as etapas de preparac¸ ˜ ao e divis˜ ao dos dados, treinamento, ajuste de hiperparˆ ametros e avaliac¸ ˜ ao dos modelos de ML. O estudo foi desenvolvido em Python 3.9, utilizando scikit-learn escikit-optimize. Os m´ etodos foram implementados em uma m´ aquina equipada com processador Intel Core i77500U (7ª gerac¸ ˜ ao, 2,70 GHz), 32 GB de mem´ oria RAM e placa de v´ ıdeo NVIDIA GeForce com 2 GB de mem´ oria dedicada. Para lidar com o desbalanceamento das classes, empregou-se a t´ ecnica Synthetic Minority Oversampling Technique (SMOTE) [1], que gera amostras sint´ eticas da classe minorit´ aria com base em vizinhos mais pr´ oximos no espac¸o de caracter´ ısticas, ampliando a regi˜ ao de decis˜ ao e melhorando a generalizac¸ ˜ ao. A otimizac¸ ˜ ao de hiperparˆ ametros foi conduzida por Otimizac¸ ˜ ao Bayesiana [3], que modela a m´ etrica de avaliac¸ ˜ ao f(θ)por meio de um processo gaussiano p(f| D)∼ N(µ(θ), σ2(θ)), selecionando novos pontos de busca segundo a func¸ ˜ ao de aquisic¸ ˜ ao Expected Improvement: θt+1 = arg maxθ∈Θa(θ).(1) A avaliac¸ ˜ ao de desempenho foi realizada por validac¸ ˜ ao cruzada e baseada em m´ etricas derivadas da matriz de confus˜ ao: accuracy,precision,recall eF1-score. Resultados A Tabela 1 apresenta as estat´ ısticas descritivas para cada vari´ avel preditora. Os dados foram divididos em desenvolvimento (75%, 80 amostras) e validac¸ ˜ ao (25%, 27 amostras) com base na vari´ avel de resposta. A distribuic¸ ˜ ao por categoria para o conjunto de desenvolvimento ´ e: 34 (A), 35 (B), 11 (C). Para validac¸ ˜ ao: 12 (A), 11 (B), 4 (C). A SMOTE foi aplicada para balanceamento, aumentando o conjunto de treinamento para 105 amostras (35 por classe) com 4 vizinhos mais pr´ oximos. Para otimizac¸ ˜ ao Bayesiana, foram realizadas 64 iterac¸ ˜ oes com GP como otimizador, e a validac¸ ˜ ao cruzada utilizou Leave-One-Out visando maximizar a accuracy. Vari´ aveis M´ edia Desvio padr˜ ao Min´ ımo Q25% Q50% Q75% M´ aximo RFV 57,33 16,94 32,00 44,75 55,00 66,25 117,00 H1RFV 32,86 15,91 9,00 21,00 30,00 44,25 81,00 H2RFV 18,25 9,06 2,00 11,75 18,00 23,00 46,00 CONICITY 8,96 1,97 4,50 7,45 8,95 10,42 13,00 H1LFV 8,29 3,40 2,20 6,13 7,75 9,90 18,10 PLY 50,50 2,81 40,40 49,30 50,55 52,23 56,80 LFV 12,76 3,32 7,00 10,30 12,40 14,80 21,90 RRO 0,84 0,24 0,42 0,65 0,82 1,00 1,49 H1RRO 0,42 0,22 0,01 0,23 0,40 0,55 1,07 CAPSPLICE 0,30 0,12 0,15 0,22 0,27 0,33 0,75 Tabela 1: Medidas estat´ ısticas das vari´ aveis do processo de uniformidade dos pneus. A otimizac¸ ˜ ao de hiperparˆ ametros avaliou diferentes configurac¸ ˜ oes para cada modelo: SVM (γ,C,kernel); KNN (vizinhos, m´ etrica, tamanho da folha, pesos); GPC (RBF, otimizador, estrat´ egia one vs one); LR (C, penalizac¸ ˜ ao); MLP (camadas, func¸ ˜ ao de ativac¸ ˜ ao, α, atualizac¸ ˜ ao); e modelos de ´ arvores (RF, GBDT, LGBM) variando n´ umero de ´ arvores, profundidade, folhas, crit´ erios, taxa de aprendizado e regularizac¸ ˜ oes, permitindo selecionar combinac¸ ˜ oes eficientes para o conjunto de dados. A validac¸ ˜ ao cruzada indicou que GBDT e RF obtiveram os melhores desempenhos (accuracy 0,96 e 0,91), com LGBM apresentando resultado intermedi´ ario (0,93). Os demais modelos (LR, SVM, KNN, GPC e MLP) variaram entre 0,64 e 0,88, evidenciando maior sensibilidade ` a complexidade dos dados. A otimizac¸ ˜ ao Bayesiana permitiu definir hiperparˆ ametros eficientes para cada modelo, garantindo desempenho robusto mesmo com amostras limitadas. A Tabela 2 apresenta as m´ etricas de avaliac¸ ˜ ao para os dados de validac¸ ˜ ao, calculadas a partir da matriz de confus˜ ao sem aplicac¸ ˜ ao do SMOTE. Os modelos MLP e RF alcanc¸aram as maiores accuracy, enquanto LR, SVM e KNN n˜ ao generalizaram bem os padr˜ oes de entrada. Modelo GR Accuracy Precision Recall F1-score RF A 0,89 1,00 1,00 1,00 B — 0,83 0,91 0,87 C — 0,67 0,50 0,57 GBDT A 0,85 0,92 1,00 0,96 B — 0,82 0,82 0,82 C — 0,67 0,50 0,57 LGBM A 0,81 1,00 0,83 0,91 B — 0,71 0,91 0,80 C — 0,67 0,50 0,57 LR A 0,74 0,79 0,92 0,85 B — 0,70 0,64 0,67 C — 0,67 0,50 0,57 SVM A 0,85 0,85 0,92 0,88 B — 0,82 0,82 0,82 C — 1,00 0,75 0,86 KNN A 0,74 0,91 0,83 0,87 B — 0,67 0,73 0,70 C — 0,50 0,50 0,50 GPC A 0,67 0,90 0,75 0,82 B — 0,83 0,45 0,59 C — 0,36 1,00 0,53 MLP A 0,93 0,93 1,00 0,96 B — 0,91 0,91 0,91 C — 0,80 1,00 0,89 Tabela 2: M´ etricas de avaliac¸ ˜ ao para o conjunto de validac¸ ˜ ao. Figura 2: Importˆ ancia das vari´ aveis do modelo RF. Figura 3: Exemplo de uma ´ arvore do modelo RF. A Figura 2 apresenta a importˆ ancia das vari´ aveis preditoras para o modelo RF. CONICITY, que indica a tendˆ encia do pneu a rolar como um cone, apresenta a maior relevˆ ancia. RRO mede a excentricidade do pneu, enquanto H1RFV e H2RFV avaliam as forc¸as radiais oscilando ao longo da rotac¸ ˜ ao, sendo H2RFV com dois pulsos por revoluc¸ ˜ ao. Componentes harmˆ onicos como H1LFV e H1RRO capturam flutuac¸ ˜ oes laterais e excˆ entricas, respectivamente. CAPSPLICE reflete a qualidade da emenda da correia ou banda de rodagem, RFV mede variac¸ ˜ oes na forc¸a radial sob carga, LFV registra flutuac¸ ˜ oes laterais e PLY indica a assimetria da carcac¸a do pneu, todos impactando o desempenho final. A Figura 3 representa um exemplo de ´ arvore de decis˜ ao para classificac¸ ˜ ao usando o modelo RF. Conclus˜ oes Os resultados tˆ em relevˆ ancia para a fabricac¸ ˜ ao de pneus, apoiando a gest˜ ao operacional na detecc¸ ˜ ao de falhas e reduc¸ ˜ ao de custos. Vari´ aveis como CONICITY, RRO e H1RFV mostraram forte associac¸ ˜ ao com o desempenho, permitindo mitigar problemas nas etapas anteriores ` a uniformidade. Apesar das limitac¸ ˜ oes de tamanho da amostra, estudos futuros podem explorar ensemble learning para melhorar a generalizac¸ ˜ ao dos modelos. Agradecimentos Este estudo foi financiado em parte pela Coordenac¸ ˜ ao de Aperfeic¸oamento de Pessoal de N´ ıvel Superior (CAPES) - Brasil - C´ odigo de Financiamento 001. Referˆ encias [1] N. V. Chawla, K. W. Bowyer, L. O. Hall, and W. P. Kegelmeyer. SMOTE: Synthetic Minority Over-sampling Technique. Journal Of Artificial Intelligence Research, 16:321–357, 6 2011. [2] Rodrigo Marcel Araujo Oliveira, ˆ Angelo M´ arcio Oliveira Sant’Anna, and Paulo Henrique Ferreira da Silva. Explainable machine learning models for defects detection in industrial processes. Computers & Industrial Engineering, 192:110214, 6 2024. [3] M. Todd Young, Jacob Hinkle, Arvind Ramanathan, and Ramakrishnan Kannan. HyperSpace: Distributed Bayesian Hyperparameter Optimization. Proceedings - 2018 30th International Symposium on Computer Architecture and High Performance Computing, SBAC-PAD 2018, pages 339–347, 2 2019. SBPO, LVII Simp´ osio Brasileiro de Pesquisa Operacional, de 5 a 9 de Outubro, 2025, Gramado, Rio Grande do Sul, Brasil