Melhorias ao processo de pintura automotiva por meio de técnicas de machine learning

Registro completo de metadados
MetadadosDescriçãoIdioma
Autor(es): dc.contributorTeixeira, Marcelo-
Autor(es): dc.contributorCasanova, Dalcimar-
Autor(es): dc.contributorOliva, Jefferson Tales-
Autor(es): dc.contributorMarcelo, Teixeira-
Autor(es): dc.creatorTito, Ana Letícia Lopes-
Data de aceite: dc.date.accessioned2025-08-29T11:49:06Z-
Data de disponibilização: dc.date.available2025-08-29T11:49:06Z-
Data de envio: dc.date.issued2023-05-31-
Data de envio: dc.date.issued2023-05-31-
Data de envio: dc.date.issued2022-02-24-
Fonte completa do material: dc.identifierhttp://repositorio.utfpr.edu.br/jspui/handle/1/31505-
Fonte: dc.identifier.urihttp://educapes.capes.gov.br/handle/capes/1083804-
Descrição: dc.descriptionAutomotive paint automation is a complex process, consisting of multiple steps that apply sensitive layers of paint to the vehicle body in an orderly manner. Each layer has a particular purpose, which can be protection or final visual aspects. Due to the interdependence between paint layers, errors in early stages compromise subsequent ones. Thus, when the vehicle is submitted to the quality inspection, it may be disapproved for not meeting the required quality standards, being sent for rework, generating costs, in the automotive domain, of substantial impact. This article presents a machine learning approach to identify possible cost reduction opportunities in the automotive painting process, which could result in poor formation of the final product. The approach is implemented using clustering techniques, and applied to a real database of a Renault painting process.-
Descrição: dc.descriptionA automação da pintura automotiva é um processo complexo, composto por múltiplas etapas que aplicam camadas sensíveis de pintura na carroceria do veículo, de forma ordenada. Cada camada possui um propósito particular podendo este ser proteção ou aspectos visuais finais. Devido à interdependência entre as camadas de pintura, erros em etapas iniciais comprometem as subsequentes. Com isso, no momento em que o veículo passar pela inspeção de qualidade, este poderá ser reprovado por não estar de acordo com os padrões de qualidade exigidos, sendo enviado para retrabalho, gerando custos, no domínio automotivo, de impacto substancial. Este artigo apresenta uma abordagem de machine learning para identificar possíveis oportunidades de redução de custos no processo de pintura automotiva, que possam resultar em má formação do produto final. A abordagem é implementada usando técnicas de clusterização, e aplicada sobre uma base de dados reais de um processo de pintura da Renault.-
Formato: dc.formatapplication/pdf-
Idioma: dc.languagept_BR-
Publicador: dc.publisherUniversidade Tecnológica Federal do Paraná-
Publicador: dc.publisherDois Vizinhos-
Publicador: dc.publisherBrasil-
Publicador: dc.publisherEspecialização em Ciência de Dados-
Publicador: dc.publisherUTFPR-
Direitos: dc.rightsopenAccess-
Direitos: dc.rightshttps://creativecommons.org/licenses/by-sa/4.0/deed.pt_BR-
Palavras-chave: dc.subjectAprendizado do computador-
Palavras-chave: dc.subjectAutomação-
Palavras-chave: dc.subjectPintura em metais-
Palavras-chave: dc.subjectMachine learning-
Palavras-chave: dc.subjectAutomation-
Palavras-chave: dc.subjectMetals - Painting-
Palavras-chave: dc.subjectCNPQ::CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO-
Título: dc.titleMelhorias ao processo de pintura automotiva por meio de técnicas de machine learning-
Título: dc.titleImprovements to the automotive painting process through machine learning techniques-
Tipo de arquivo: dc.typelivro digital-
Aparece nas coleções:Repositorio Institucional da UTFPR - RIUT

Não existem arquivos associados a este item.