Estudo Big-data da influência dos parâmetros do tratamento térmico na qualidade da peça na Renault
Autor(a) principal: | |
---|---|
Data de Publicação: | 2023 |
Tipo de documento: | Dissertação |
Idioma: | por |
Título da fonte: | Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos) |
Texto Completo: | http://hdl.handle.net/10773/41092 |
Resumo: | Nos dias de hoje, com o crescimento da indústria, as empresas tendem a ser cada vez mais competitivas com o objetivo de obter um produto com melhor qualidade, menor desperdício a um menor preço. Para que isso seja possível, têm sofrido uma enorme evolução a nível da digitalização e da automação, com otimização das operações e obtenção de informações detalhadas dos processos. Com a crescente quantidade de dados gerados e elevada diversidade e velocidade surgiu o conceito de Big Data. Tendo em conta que estes conjuntos de dados excedem a capacidade típica de armazenamento, processamento e computação de bancos de dados convencionais e as técnicas de análise de dados anteriormente utilizadas são ineficientes, são necessárias ferramentas e métodos que possam ser aplicados para analisar e extrair padrões de dados de grande escala. Deste modo surge a necessidade da utilização de tecnologias avançadas para o processamento dos dados como a computação em nuvem, Machine Learning e inteligência artificial. Assim, com os novos métodos de análise passou a ser possível detetar problemas, as causas destes e encontrar as melhores soluções de maneira mais rápida e eficaz, contribuído positivamente para a produtividade e qualidade dos processos. De modo a fazer face ao problema existente da ocorrência de peças não conformes, o presente projeto, tem como principal objetivo, a utilização dos dados previamente obtidos aquando dos tratamentos térmicos para analisar quais os parâmetros influentes e qual o seu impacto na qualidade da peça relativamente à análise do laboratório. Posteriormente a elaboração de algoritmos Machine Learning permitirá fazer controlo preditivo e prever tendências ou possíveis falhas que possam resultar em defeitos e deste modo, ser possivel tomar as devidas precauções e ajustes no processo para evitar crises e reduzir a quantidade de peças defeituosas. O projeto iniciou-se com o tratamento dos dados históricos, seguido das análises, que permitiram identificar que os parâmetros com maior influência na qualidade das peças são o potencial de carbono, o propano, a temperatura da têmpera, o tempo de enriquecimento e a temperatura do forno. Posteriormente com a elaboração dos algoritmos Machine Learning foi possível fazer algumas previsões do resultado final das peças. No final calculou-se quais seriam as poupanças que resultariam da implementação dos algoritmos com as análises no qual resultou uma redução de 72% equivalente a 38k€. |
id |
RCAP_c6ec28ebc0ac4d4118d9673ace780415 |
---|---|
oai_identifier_str |
oai:ria.ua.pt:10773/41092 |
network_acronym_str |
RCAP |
network_name_str |
Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos) |
repository_id_str |
7160 |
spelling |
Estudo Big-data da influência dos parâmetros do tratamento térmico na qualidade da peça na RenaultBig dataAnálise de dadosMachine learningTratamento térmicoSCADADigital twinNos dias de hoje, com o crescimento da indústria, as empresas tendem a ser cada vez mais competitivas com o objetivo de obter um produto com melhor qualidade, menor desperdício a um menor preço. Para que isso seja possível, têm sofrido uma enorme evolução a nível da digitalização e da automação, com otimização das operações e obtenção de informações detalhadas dos processos. Com a crescente quantidade de dados gerados e elevada diversidade e velocidade surgiu o conceito de Big Data. Tendo em conta que estes conjuntos de dados excedem a capacidade típica de armazenamento, processamento e computação de bancos de dados convencionais e as técnicas de análise de dados anteriormente utilizadas são ineficientes, são necessárias ferramentas e métodos que possam ser aplicados para analisar e extrair padrões de dados de grande escala. Deste modo surge a necessidade da utilização de tecnologias avançadas para o processamento dos dados como a computação em nuvem, Machine Learning e inteligência artificial. Assim, com os novos métodos de análise passou a ser possível detetar problemas, as causas destes e encontrar as melhores soluções de maneira mais rápida e eficaz, contribuído positivamente para a produtividade e qualidade dos processos. De modo a fazer face ao problema existente da ocorrência de peças não conformes, o presente projeto, tem como principal objetivo, a utilização dos dados previamente obtidos aquando dos tratamentos térmicos para analisar quais os parâmetros influentes e qual o seu impacto na qualidade da peça relativamente à análise do laboratório. Posteriormente a elaboração de algoritmos Machine Learning permitirá fazer controlo preditivo e prever tendências ou possíveis falhas que possam resultar em defeitos e deste modo, ser possivel tomar as devidas precauções e ajustes no processo para evitar crises e reduzir a quantidade de peças defeituosas. O projeto iniciou-se com o tratamento dos dados históricos, seguido das análises, que permitiram identificar que os parâmetros com maior influência na qualidade das peças são o potencial de carbono, o propano, a temperatura da têmpera, o tempo de enriquecimento e a temperatura do forno. Posteriormente com a elaboração dos algoritmos Machine Learning foi possível fazer algumas previsões do resultado final das peças. No final calculou-se quais seriam as poupanças que resultariam da implementação dos algoritmos com as análises no qual resultou uma redução de 72% equivalente a 38k€.Currently, with the growth of industry, companies tend to be increasingly competitive with the goal of obtaining a product with better quality, less waste and at a lower price. To make this possible, they have undergone a huge evolution in terms of digitalization and automation, with optimization of operations and detailed process information. With the growing amount of data generated and the high diversity and speed, the concept of "Big Data" has emerged. Considering that these data sets exceed the typical storage, processing and computing capacity of conventional databases and that the data analysis techniques previously used are inefficient, tools and methods are needed that can be applied to analyze and extract patterns from large-scale data. Thus, the need arises to use advanced technologies for data processing, such as cloud computing, Automatic Learning and artificial intelligence. Thus, with the new analysis methods it became possible to detect problems, their causes and find the best solutions in a faster and more effective way, contributing positively to the productivity and quality of the processes. The main objective of this project is to use the data previously obtained during the heat treatments to analyze which parameters were influential and their impact on the quality of the part using laboratory data. Subsequently, the development of Machine Learning algorithms allowed to do predictive control and predict trends or possible failures that could result in defects and thus be able to take the necessary precautions and adjustments in the process to avoid crises and reduce the amount of defective parts. The project began with the treatment of historical data, followed by analysis, which allowed the identification that the parameters with the greatest influence on part quality are carbon potential, propane, tempering temperature, enrichment time and furnace temperature. Later, with the elaboration of the Machine Learning algorithms, it was possible to make some predictions about the final result of the pieces. In the end it was calculated what would be the savings that would result from the implementation of the algorithms with the analysis, which resulted in a reduction of 72% equivalent to 38k2024-03-15T10:09:53Z2023-07-14T00:00:00Z2023-07-14info:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisapplication/pdfhttp://hdl.handle.net/10773/41092porSantos, Bruno Rafael Reis dosinfo:eu-repo/semantics/openAccessreponame:Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)instname:Agência para a Sociedade do Conhecimento (UMIC) - FCT - Sociedade da Informaçãoinstacron:RCAAP2024-03-18T01:48:55Zoai:ria.ua.pt:10773/41092Portal AgregadorONGhttps://www.rcaap.pt/oai/openaireopendoar:71602024-03-20T04:02:10.714758Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos) - Agência para a Sociedade do Conhecimento (UMIC) - FCT - Sociedade da Informaçãofalse |
dc.title.none.fl_str_mv |
Estudo Big-data da influência dos parâmetros do tratamento térmico na qualidade da peça na Renault |
title |
Estudo Big-data da influência dos parâmetros do tratamento térmico na qualidade da peça na Renault |
spellingShingle |
Estudo Big-data da influência dos parâmetros do tratamento térmico na qualidade da peça na Renault Santos, Bruno Rafael Reis dos Big data Análise de dados Machine learning Tratamento térmico SCADA Digital twin |
title_short |
Estudo Big-data da influência dos parâmetros do tratamento térmico na qualidade da peça na Renault |
title_full |
Estudo Big-data da influência dos parâmetros do tratamento térmico na qualidade da peça na Renault |
title_fullStr |
Estudo Big-data da influência dos parâmetros do tratamento térmico na qualidade da peça na Renault |
title_full_unstemmed |
Estudo Big-data da influência dos parâmetros do tratamento térmico na qualidade da peça na Renault |
title_sort |
Estudo Big-data da influência dos parâmetros do tratamento térmico na qualidade da peça na Renault |
author |
Santos, Bruno Rafael Reis dos |
author_facet |
Santos, Bruno Rafael Reis dos |
author_role |
author |
dc.contributor.author.fl_str_mv |
Santos, Bruno Rafael Reis dos |
dc.subject.por.fl_str_mv |
Big data Análise de dados Machine learning Tratamento térmico SCADA Digital twin |
topic |
Big data Análise de dados Machine learning Tratamento térmico SCADA Digital twin |
description |
Nos dias de hoje, com o crescimento da indústria, as empresas tendem a ser cada vez mais competitivas com o objetivo de obter um produto com melhor qualidade, menor desperdício a um menor preço. Para que isso seja possível, têm sofrido uma enorme evolução a nível da digitalização e da automação, com otimização das operações e obtenção de informações detalhadas dos processos. Com a crescente quantidade de dados gerados e elevada diversidade e velocidade surgiu o conceito de Big Data. Tendo em conta que estes conjuntos de dados excedem a capacidade típica de armazenamento, processamento e computação de bancos de dados convencionais e as técnicas de análise de dados anteriormente utilizadas são ineficientes, são necessárias ferramentas e métodos que possam ser aplicados para analisar e extrair padrões de dados de grande escala. Deste modo surge a necessidade da utilização de tecnologias avançadas para o processamento dos dados como a computação em nuvem, Machine Learning e inteligência artificial. Assim, com os novos métodos de análise passou a ser possível detetar problemas, as causas destes e encontrar as melhores soluções de maneira mais rápida e eficaz, contribuído positivamente para a produtividade e qualidade dos processos. De modo a fazer face ao problema existente da ocorrência de peças não conformes, o presente projeto, tem como principal objetivo, a utilização dos dados previamente obtidos aquando dos tratamentos térmicos para analisar quais os parâmetros influentes e qual o seu impacto na qualidade da peça relativamente à análise do laboratório. Posteriormente a elaboração de algoritmos Machine Learning permitirá fazer controlo preditivo e prever tendências ou possíveis falhas que possam resultar em defeitos e deste modo, ser possivel tomar as devidas precauções e ajustes no processo para evitar crises e reduzir a quantidade de peças defeituosas. O projeto iniciou-se com o tratamento dos dados históricos, seguido das análises, que permitiram identificar que os parâmetros com maior influência na qualidade das peças são o potencial de carbono, o propano, a temperatura da têmpera, o tempo de enriquecimento e a temperatura do forno. Posteriormente com a elaboração dos algoritmos Machine Learning foi possível fazer algumas previsões do resultado final das peças. No final calculou-se quais seriam as poupanças que resultariam da implementação dos algoritmos com as análises no qual resultou uma redução de 72% equivalente a 38k€. |
publishDate |
2023 |
dc.date.none.fl_str_mv |
2023-07-14T00:00:00Z 2023-07-14 2024-03-15T10:09:53Z |
dc.type.status.fl_str_mv |
info:eu-repo/semantics/publishedVersion |
dc.type.driver.fl_str_mv |
info:eu-repo/semantics/masterThesis |
format |
masterThesis |
status_str |
publishedVersion |
dc.identifier.uri.fl_str_mv |
http://hdl.handle.net/10773/41092 |
url |
http://hdl.handle.net/10773/41092 |
dc.language.iso.fl_str_mv |
por |
language |
por |
dc.rights.driver.fl_str_mv |
info:eu-repo/semantics/openAccess |
eu_rights_str_mv |
openAccess |
dc.format.none.fl_str_mv |
application/pdf |
dc.source.none.fl_str_mv |
reponame:Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos) instname:Agência para a Sociedade do Conhecimento (UMIC) - FCT - Sociedade da Informação instacron:RCAAP |
instname_str |
Agência para a Sociedade do Conhecimento (UMIC) - FCT - Sociedade da Informação |
instacron_str |
RCAAP |
institution |
RCAAP |
reponame_str |
Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos) |
collection |
Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos) |
repository.name.fl_str_mv |
Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos) - Agência para a Sociedade do Conhecimento (UMIC) - FCT - Sociedade da Informação |
repository.mail.fl_str_mv |
|
_version_ |
1799138193984978944 |