Seleção de fornecedores por meio de simulação e machine learning com as ferramentas KNN e LR
Autor(a) principal: | |
---|---|
Data de Publicação: | 2019 |
Tipo de documento: | Dissertação |
Idioma: | por |
Título da fonte: | Repositório Institucional da UFSC |
Texto Completo: | https://repositorio.ufsc.br/handle/123456789/211702 |
Resumo: | Dissertação (mestrado) - Universidade Federal de Santa Catarina, Centro Tecnológico, Programa de Pós-Graduação em Engenharia Mecânica, Florianópolis, 2019. |
id |
UFSC_5ae714f7004f72006c118bb657e21ebb |
---|---|
oai_identifier_str |
oai:repositorio.ufsc.br:123456789/211702 |
network_acronym_str |
UFSC |
network_name_str |
Repositório Institucional da UFSC |
repository_id_str |
2373 |
spelling |
Seleção de fornecedores por meio de simulação e machine learning com as ferramentas KNN e LREngenharia mecânicaIndústria 4.0Aprendizado do computadorFornecedoresSimulação (Computadores)Dissertação (mestrado) - Universidade Federal de Santa Catarina, Centro Tecnológico, Programa de Pós-Graduação em Engenharia Mecânica, Florianópolis, 2019.Esta pesquisa discute e aplica conceitos e ferramentas da Indu´stria 4.0 para resol- ver um problema cla´ssico da manufatura ? a selec¸a~o de fornecedores. Para tal, sa~o utilizadas de maneira integrada ferramentas de simulac¸a~o e machine learning, com o objetivo de desenvolver um portfo´lio de fornecedores com desempenho superior em func¸a~o da performance de entregas no prazo. Sa~o teorizados os potenciais benefi´cios desta nova abordagem e as conseque^ncias que novos servic¸os orientados a dados podem promover na manufatura. Os algoritmos de machine learning utilizados foram a regressa~o logi´stica e k-vizinhos mais pro´ximos. Ale´m disso, e´ proposto um me´todo para integrac¸a~o dos modelos de simulac¸a~o e de machine learning. Tambe´m foram apresentadas duas abordagens que combinam ambos algoritmos por meio de um sis- tema baseado em regras, as quais apresentaram performance superior a` utilizac¸a~o dos algoritmos de maneira isolada. Portanto, esta pesquisa contribuiu com o conheci- mento em manufatura digital pelo fato de investigar quantitativamente ferramentas que te^m sido utilizadas no novo paradigma da manufatura, o qual e´ fortemente influenciado por deciso~es orientadas a dados.<br>Abstract: This research applies Industry 4.0 concepts to solve a classic manufacturing problem ? the supplier selection. Simulation and machine learning tools are used in an integrated manner, aiming to develop a portfolio of suppliers with superior performance in relation to the on-time delivery key performance indicator. The potential benefits of this novel approach and the consequences that new data-driven services can have on manufac- turing are theorized. The machine learning algorithms used were logistic regression and k-nearest neighbors. It is also presented two approaches that combine both algo- rithms by means of a rule-based system, which presented superior performance to the individual use of the algorithms. Therefore, this research has contributed to digital man- ufacturing knowledge, which is strongly influenced by data-driven decisions, by quan- titatively investigating tools that have been used in the new manufacturing paradigm ? simulation and machine learning.Forcellini, Fernando AntonioFrazzon, Enzo MorosiniUniversidade Federal de Santa CatarinaCavalcante, Ian Moreira2020-08-20T06:01:27Z2020-08-20T06:01:27Z2019info:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesis98 p.| il., gráfs.application/pdf368416https://repositorio.ufsc.br/handle/123456789/211702porreponame:Repositório Institucional da UFSCinstname:Universidade Federal de Santa Catarina (UFSC)instacron:UFSCinfo:eu-repo/semantics/openAccess2020-08-20T06:01:27Zoai:repositorio.ufsc.br:123456789/211702Repositório InstitucionalPUBhttp://150.162.242.35/oai/requestopendoar:23732020-08-20T06:01:27Repositório Institucional da UFSC - Universidade Federal de Santa Catarina (UFSC)false |
dc.title.none.fl_str_mv |
Seleção de fornecedores por meio de simulação e machine learning com as ferramentas KNN e LR |
title |
Seleção de fornecedores por meio de simulação e machine learning com as ferramentas KNN e LR |
spellingShingle |
Seleção de fornecedores por meio de simulação e machine learning com as ferramentas KNN e LR Cavalcante, Ian Moreira Engenharia mecânica Indústria 4.0 Aprendizado do computador Fornecedores Simulação (Computadores) |
title_short |
Seleção de fornecedores por meio de simulação e machine learning com as ferramentas KNN e LR |
title_full |
Seleção de fornecedores por meio de simulação e machine learning com as ferramentas KNN e LR |
title_fullStr |
Seleção de fornecedores por meio de simulação e machine learning com as ferramentas KNN e LR |
title_full_unstemmed |
Seleção de fornecedores por meio de simulação e machine learning com as ferramentas KNN e LR |
title_sort |
Seleção de fornecedores por meio de simulação e machine learning com as ferramentas KNN e LR |
author |
Cavalcante, Ian Moreira |
author_facet |
Cavalcante, Ian Moreira |
author_role |
author |
dc.contributor.none.fl_str_mv |
Forcellini, Fernando Antonio Frazzon, Enzo Morosini Universidade Federal de Santa Catarina |
dc.contributor.author.fl_str_mv |
Cavalcante, Ian Moreira |
dc.subject.por.fl_str_mv |
Engenharia mecânica Indústria 4.0 Aprendizado do computador Fornecedores Simulação (Computadores) |
topic |
Engenharia mecânica Indústria 4.0 Aprendizado do computador Fornecedores Simulação (Computadores) |
description |
Dissertação (mestrado) - Universidade Federal de Santa Catarina, Centro Tecnológico, Programa de Pós-Graduação em Engenharia Mecânica, Florianópolis, 2019. |
publishDate |
2019 |
dc.date.none.fl_str_mv |
2019 2020-08-20T06:01:27Z 2020-08-20T06:01:27Z |
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 |
368416 https://repositorio.ufsc.br/handle/123456789/211702 |
identifier_str_mv |
368416 |
url |
https://repositorio.ufsc.br/handle/123456789/211702 |
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 |
98 p.| il., gráfs. application/pdf |
dc.source.none.fl_str_mv |
reponame:Repositório Institucional da UFSC instname:Universidade Federal de Santa Catarina (UFSC) instacron:UFSC |
instname_str |
Universidade Federal de Santa Catarina (UFSC) |
instacron_str |
UFSC |
institution |
UFSC |
reponame_str |
Repositório Institucional da UFSC |
collection |
Repositório Institucional da UFSC |
repository.name.fl_str_mv |
Repositório Institucional da UFSC - Universidade Federal de Santa Catarina (UFSC) |
repository.mail.fl_str_mv |
|
_version_ |
1808652356485644288 |