Atenção:
O eduCAPES é um repositório de objetos educacionais, não sendo responsável por materiais de terceiros submetidos na plataforma. O usuário assume ampla e total responsabilidade quanto à originalidade, à titularidade e ao conteúdo, citações de obras consultadas, referências e outros elementos que fazem parte do material que deseja submeter. Recomendamos que se reporte diretamente ao(s) autor(es), indicando qual parte do material foi considerada imprópria (cite página e parágrafo) e justificando sua denúncia.
Caso seja o autor original de algum material publicado indevidamente ou sem autorização, será necessário que se identifique informando nome completo, CPF e data de nascimento. Caso possua uma decisão judicial para retirada do material, solicitamos que informe o link de acesso ao documento, bem como quaisquer dados necessários ao acesso, no campo abaixo.
Todas as denúncias são sigilosas e sua identidade será preservada. Os campos nome e e-mail são de preenchimento opcional. Porém, ao deixar de informar seu e-mail, um possível retorno será inviabilizado e/ou sua denúncia poderá ser desconsiderada no caso de necessitar de informações complementares.
Metadados | Descrição | Idioma |
---|---|---|
Autor(es): dc.contributor | Martins, Marcella Scoczynski Ribeiro | - |
Autor(es): dc.contributor | Martins, Marcella Scoczynski Ribeiro | - |
Autor(es): dc.contributor | Gonçalves, Cristhiane | - |
Autor(es): dc.contributor | Baroncini, Virginia Helena Varotto | - |
Autor(es): dc.creator | Santos, Gustavo Ribeiro dos | - |
Autor(es): dc.creator | Koike, Leandro Shoiti | - |
Data de aceite: dc.date.accessioned | 2025-08-29T12:03:53Z | - |
Data de disponibilização: dc.date.available | 2025-08-29T12:03:53Z | - |
Data de envio: dc.date.issued | 2025-08-08 | - |
Data de envio: dc.date.issued | 2025-08-08 | - |
Data de envio: dc.date.issued | 2025-07-03 | - |
Fonte completa do material: dc.identifier | http://repositorio.utfpr.edu.br/jspui/handle/1/37820 | - |
Fonte: dc.identifier.uri | http://educapes.capes.gov.br/handle/capes/1088320 | - |
Descrição: dc.description | This final project presents the development and implementation of an artificial intelligence-based system for predicting parameters of an industrial painting machine. The main objective is to optimize the painting process through the accurate prediction of critical variables, such as paint flow rates and equipment speeds, based on input characteristics of the material and the process. The methodology employed involved data preprocessing steps and the division of the dataset into training and testing sets. Subsequently, a Random Forest Regressor model was trained to handle the multioutput nature of the problem. Model performance evaluation was carried out using metrics such as R² (coefficient of determination), MAE (Mean Absolute Error), MSE (Mean Squared Error), and RMSE (Root Mean Squared Error), both for each individual output parameter and in an aggregated manner. The results demonstrate the model’s ability to satisfactorily predict various parameters with accuracy, highlighting the potential of artificial intelligence in improving efficiency and quality in industrial environments. To facilitate the practical application of the model, an interactive Streamlit interface was developed, which integrates the predictions with their respective confidence metrics and provides all detailed information for analysis. Thus, this work not only demonstrates the applicability of supervised learning algorithms for the prediction and control of critical parameters in painting lines, but also provides a practical and effective tool to support decision-making and increase efficiency and quality in industrial processes. | - |
Descrição: dc.description | Este trabalho de conclusão de curso apresenta o desenvolvimento e a implementação de um sistema baseado em inteligência artificial para a previsão de parâmetros de uma máquina de pintura industrial. O objetivo principal é otimizar o processo de pintura através da previsão precisa de variáveis críticas, como vazões de tinta e velocidades de equipamentos, a partir de características de entrada do material e do processo. A metodologia empregada envolveu as etapas de pré-processamento de dados e a divisão do conjunto de dados em treino e teste. Em seguida, um modelo de Random Forest Regressor foi treinado para lidar com a natureza multi-saída do problema. A avaliação do desempenho do modelo foi realizada por meio de métricas como R² (coeficiente de determinação), MAE (Erro Absoluto Médio), MSE (Erro Quadrático Médio) e RMSE (Raiz do Erro Quadrático Médio), tanto para cada parâmetro de saída individualmente quanto de forma agregada. Os resultados demonstram a capacidade do modelo em prever com acurácia satisfatória diversos parâmetros, evidenciando o potencial da inteligência artificial na melhoria da eficiência e qualidade em ambientes industriais. Para facilitar a aplicação prática do modelo, foi desenvolvida uma interface interativa em Streamlit, que integra as previsões com suas respectivas métricas de confiança e disponibiliza todas as informações detalhadas para análise. Dessa forma, este trabalho evidencia não só a aplicabilidade de algoritmos de aprendizado supervisionado para a previsão e controle de parâmetros críticos em linhas de pintura, mas também disponibiliza uma ferramenta prática e eficaz para suportar a tomada de decisões e aumentar a eficiência e qualidade em processos industriais. | - |
Formato: dc.format | application/pdf | - |
Idioma: dc.language | pt_BR | - |
Publicador: dc.publisher | Universidade Tecnológica Federal do Paraná | - |
Publicador: dc.publisher | Ponta Grossa | - |
Publicador: dc.publisher | Brasil | - |
Publicador: dc.publisher | Departamento Acadêmico de Engenharia Elétrica | - |
Publicador: dc.publisher | Engenharia Elétrica | - |
Publicador: dc.publisher | UTFPR | - |
Direitos: dc.rights | openAccess | - |
Palavras-chave: dc.subject | Pintura industrial | - |
Palavras-chave: dc.subject | Estimativa de parâmetros | - |
Palavras-chave: dc.subject | Inteligência artificial | - |
Palavras-chave: dc.subject | Aprendizado do computador | - |
Palavras-chave: dc.subject | Painting, Industrial | - |
Palavras-chave: dc.subject | Parameter estimation | - |
Palavras-chave: dc.subject | Artificial intelligence | - |
Palavras-chave: dc.subject | Machine learning | - |
Palavras-chave: dc.subject | CNPQ::ENGENHARIAS::ENGENHARIA ELETRICA | - |
Título: dc.title | Previsão de parâmetros para máquina de pintura industrial usando machine learning | - |
Título: dc.title | Parameter prediction for industrial painting machine using machine learning | - |
Tipo de arquivo: dc.type | livro digital | - |
Aparece nas coleções: | Repositorio Institucional da UTFPR - RIUT |
O Portal eduCAPES é oferecido ao usuário, condicionado à aceitação dos termos, condições e avisos contidos aqui e sem modificações. A CAPES poderá modificar o conteúdo ou formato deste site ou acabar com a sua operação ou suas ferramentas a seu critério único e sem aviso prévio. Ao acessar este portal, você, usuário pessoa física ou jurídica, se declara compreender e aceitar as condições aqui estabelecidas, da seguinte forma: