Aprendizagem automática em testes fim de linha

• Autor(a) principal: Nunes, Carlos
• 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/10348/11923
• topic: Testes fim de linha; Aprendizagem Automática

A industrialização massiva de produtos que decorre em ambiente fabril, exige a testagem do produto numa fase prévia à sua exportação para o mercado de venda. Por exemplo, os testes fim de linha (End of Line) contribuem para validação da funcionalidade de uma antena, sendo esta um produto fabricado pela Continental Advanced Antenna. O armazenamento da informação proveniente do processo de testagem, permite a manipulação dos dados, através de algoritmos de aprendizagem automatizada em busca de um contributo benéfico. Os estudos nesta área (aprendizagem automática) levam à procura e ao desenvolvimento de ferramentas concebidas com objetivos como prevenir anomalias na linha de produção, manutenção preditiva, garantia de qualidade do produto, previsão de demanda, previsão de problemas de segurança, aumento de recursos, a deteção, isolamento e correção de anomalias, manutenção proativa, escalabilidade de recursos e redução do tempo de produção. Estas vantagens, quando aplicadas ao ambiente de manufaturação, permitem que o sistema EOL seja mais produtivo, de confiança e recorra a um dispêndio de tempo menor. Deste modo, propõe-se uma ferramenta que permite a visualização e deteção prévia de tendências associadas ao sistema de testagem de antenas. Esta dissertação focase na capacidade de prever falhas que ocorrem no EOL acima mencionado, como tal, o protótipo desenvolvido, através de exploração dos dados disponibilizados provenientes das testagens, habilita o utilizador à visualização de gráficos que mostram a progressão dos dados, bem como, através de um modelo de inteligência artificial, prever dados futuros. O protótipo foi desenvolvido com recurso à ferramenta Visual Studio Code e linguagem de programação Python. O GoogleColab foi escolhido para processamento do modelo. Também foram utilizadas outras ferramentas para manipulação dos dados como o Excel e SQL.