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 | Lazzaretti, André Eugênio | - |
Autor(es): dc.contributor | https://orcid.org/0000-0003-1861-3369 | - |
Autor(es): dc.contributor | http://lattes.cnpq.br/7649611874688878 | - |
Autor(es): dc.contributor | Oliveira, Valmir de | - |
Autor(es): dc.contributor | https://orcid.org/0000-0001-5731-6127 | - |
Autor(es): dc.contributor | http://lattes.cnpq.br/1276189869170012 | - |
Autor(es): dc.contributor | Lazzaretti, André Eugênio | - |
Autor(es): dc.contributor | https://orcid.org/0000-0003-1861-3369 | - |
Autor(es): dc.contributor | http://lattes.cnpq.br/7649611874688878 | - |
Autor(es): dc.contributor | Meza, Gilberto Reynoso | - |
Autor(es): dc.contributor | https://orcid.org/0000-0002-8392-6225 | - |
Autor(es): dc.contributor | http://lattes.cnpq.br/1888359548640986 | - |
Autor(es): dc.contributor | Teixeira, Marco Antonio Simões | - |
Autor(es): dc.contributor | https://orcid.org/0000-0002-0372-312X | - |
Autor(es): dc.contributor | http://lattes.cnpq.br/3482274885890440 | - |
Autor(es): dc.contributor | Rohrich, Ronnier Frates | - |
Autor(es): dc.contributor | https://orcid.org/0000-0002-4523-8536 | - |
Autor(es): dc.contributor | http://lattes.cnpq.br/7247685185606377 | - |
Autor(es): dc.creator | Andrade, Willian Jeferson | - |
Data de aceite: dc.date.accessioned | 2025-08-29T13:14:06Z | - |
Data de disponibilização: dc.date.available | 2025-08-29T13:14:06Z | - |
Data de envio: dc.date.issued | 2024-07-12 | - |
Data de envio: dc.date.issued | 2024-07-12 | - |
Data de envio: dc.date.issued | 2023-12-13 | - |
Fonte completa do material: dc.identifier | http://repositorio.utfpr.edu.br/jspui/handle/1/33991 | - |
Fonte: dc.identifier.uri | http://educapes.capes.gov.br/handle/capes/1109659 | - |
Descrição: dc.description | Em razão da grande ascensão dos robôs no âmbito industrial mundial, tais equipamentos se tornaram fundamentais para o atingimento das metas diárias de produtividade e qualidade de uma planta fabril. Uma falha ou anomalia que por ventura venha ocorrendo com a máquina, mesmo que sútil, pode levar a uma grande parada de uma máquina ou até mesmo uma linha produtiva. Nesse âmbito, o estudo de detecção prévia de anomalias em robôs se torna apropriado para a manutenção preventiva planejada, a continuidade da produção e a longevidade do equipamento, sendo esse o principal objetivo deste trabalho. A metodologia utilizada compreendeu a construção de um dataset inicial com anomalias de posicionamento artificialmente geradas em um robô de uma linha de produção real. Através de uma análise inicial dos dados, algumas informações puderam ser filtradas logo no início do estudo, resultando na escolha das características de amplitude e desvio padrão de algumas das variáveis escolhidas para analise. A partir desses dados, o modelo Isolation Forest foi selecionado para operar como detector de anomalias. Foram feitas duas tratativas do dataset, devido ao desbalanceamento de classes e quantidades de amostras por produto, sendo gerados modelos por produtos e um modelo genérico tendo como característica o tipo de produto. Realizando um comparativo qualitativos das métricas entre os modelos individuais e o modelo genérico, percebeu-se que este último apresentou um desempenho superior a todos os modelos individuais em todas as métricas avaliadas, atingindo os resultados de Precision igual a 1, Recall igual a 0,952 e F1-Score igual a 0,975. Considerando o dataset com um total de 6516 amostras, dessas 274 com a presença de algum tipo de anomalia, teve-se como resultado apenas 13 casos de anomalias classificadas de forma errada. Este modelo também foi implementado no CLP da máquina, permitindo avaliação contínua das falhas do robô. Dessa forma, este trabalho demonstrou a viabilidade de detecção de anomalias em um cenário real de produção. | - |
Descrição: dc.description | Em razão da grande ascensão dos robôs no âmbito industrial mundial, tais equipamentos se tornaram fundamentais para o atingimento das metas diárias de produtividade e qualidade de uma planta fabril. Uma falha ou anomalia que por ventura venha ocorrendo com a máquina, mesmo que sútil, pode levar a uma grande parada de uma máquina ou até mesmo uma linha produtiva. Nesse âmbito, o estudo de detecção prévia de anomalias em robôs se torna apropriado para a manutenção preventiva planejada, a continuidade da produção e a longevidade do equipamento, sendo esse o principal objetivo deste trabalho. A metodologia utilizada compreendeu a construção de um dataset inicial com anomalias de posicionamento artificialmente geradas em um robô de uma linha de produção real. Através de uma análise inicial dos dados, algumas informações puderam ser filtradas logo no início do estudo, resultando na escolha das características de amplitude e desvio padrão de algumas das variáveis escolhidas para analise. A partir desses dados, o modelo Isolation Forest foi selecionado para operar como detector de anomalias. Foram feitas duas tratativas do dataset, devido ao desbalanceamento de classes e quantidades de amostras por produto, sendo gerados modelos por produtos e um modelo genérico tendo como característica o tipo de produto. Realizando um comparativo qualitativos das métricas entre os modelos individuais e o modelo genérico, percebeu-se que este último apresentou um desempenho superior a todos os modelos individuais em todas as métricas avaliadas, atingindo os resultados de Precision igual a 1, Recall igual a 0,952 e F1-Score igual a 0,975. Considerando o dataset com um total de 6516 amostras, dessas 274 com a presença de algum tipo de anomalia, teve-se como resultado apenas 13 casos de anomalias classificadas de forma errada. Este modelo também foi implementado no CLP da máquina, permitindo avaliação contínua das falhas do robô. Dessa forma, este trabalho demonstrou a viabilidade de detecção de anomalias em um cenário real de produção. | - |
Formato: dc.format | application/pdf | - |
Idioma: dc.language | pt_BR | - |
Publicador: dc.publisher | Universidade Tecnológica Federal do Paraná | - |
Publicador: dc.publisher | Curitiba | - |
Publicador: dc.publisher | Brasil | - |
Publicador: dc.publisher | Programa de Pós-Graduação em Engenharia Elétrica e Informática Industrial | - |
Publicador: dc.publisher | UTFPR | - |
Direitos: dc.rights | openAccess | - |
Direitos: dc.rights | http://creativecommons.org/licenses/by/4.0/ | - |
Palavras-chave: dc.subject | Robótica | - |
Palavras-chave: dc.subject | Algorítmos | - |
Palavras-chave: dc.subject | Robôs industriais | - |
Palavras-chave: dc.subject | Aprendizado do computador | - |
Palavras-chave: dc.subject | Detecção de anomalias (Medidas de segurança para computadores) | - |
Palavras-chave: dc.subject | Robotics | - |
Palavras-chave: dc.subject | Algorithms | - |
Palavras-chave: dc.subject | Robots, Industrial | - |
Palavras-chave: dc.subject | Machine learning | - |
Palavras-chave: dc.subject | Anomaly detection (Computer security) | - |
Palavras-chave: dc.subject | CNPQ::ENGENHARIAS::ENGENHARIA ELETRICA | - |
Palavras-chave: dc.subject | Engenharia Elétrica | - |
Título: dc.title | Detecção de anomalias de posicionamento em robôs industriais utilizando aprendizado de máquina | - |
Título: dc.title | Detection of positioning anomalies in industrial robots 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: