SISTEMÁTICA PARA IDENTIFICAÇÃO DAS VARIÁVEIS PREDITIVAS MAIS RELEVANTES EM UM PROCESSO DO SETOR METAL-MECÂNICO
Autor(a) principal: | |
---|---|
Data de Publicação: | 2014 |
Outros Autores: | , |
Tipo de documento: | Artigo |
Idioma: | por |
Título da fonte: | Revista Gestão Industrial |
Texto Completo: | https://periodicos.utfpr.edu.br/revistagi/article/view/1576 |
Resumo: | As avançadas tecnologias de monitoramento e coleta de dados de processos industriais têm gerado um grande volume de informações que viabilizam a análise do desempenho destes processos. Neste contexto, procedimentos de seleção de variáveis constituem-se em importante recurso para aprimorar o monitoramento e entendimento de tais informações, tipicamente apoiadas em bancos formados por variáveis altamente correlacionadas, ruidosas ou com informação pouco relevante. Esse artigo propõe uma sistemática para identificar as variáveis (indicadores) mais relevantes com vistas à predição dos níveis de formação de sucata em uma empresa do ramo metal mecânico. Para tanto, um modelo de regressão linear múltipla é inicialmente ajustado aos dados normalizados. As variáveis são então sistematicamente removidas com base no valor absoluto do coeficiente de regressão. Após cada eliminação de variável, a capacidade preditiva do modelo é avaliada através das medidas de desempenho Critério de Informação Akaike (AIC) e Soma dos Quadrados dos Erros (SQE). A capacidade preditiva dos modelos resultantes foi considerada adequada por especialistas de processo. |
id |
UTFPR-5_ffac3787bb55ca566de47abc9c7f226c |
---|---|
oai_identifier_str |
oai:periodicos.utfpr:article/1576 |
network_acronym_str |
UTFPR-5 |
network_name_str |
Revista Gestão Industrial |
repository_id_str |
|
spelling |
SISTEMÁTICA PARA IDENTIFICAÇÃO DAS VARIÁVEIS PREDITIVAS MAIS RELEVANTES EM UM PROCESSO DO SETOR METAL-MECÂNICOG QualidadeAs avançadas tecnologias de monitoramento e coleta de dados de processos industriais têm gerado um grande volume de informações que viabilizam a análise do desempenho destes processos. Neste contexto, procedimentos de seleção de variáveis constituem-se em importante recurso para aprimorar o monitoramento e entendimento de tais informações, tipicamente apoiadas em bancos formados por variáveis altamente correlacionadas, ruidosas ou com informação pouco relevante. Esse artigo propõe uma sistemática para identificar as variáveis (indicadores) mais relevantes com vistas à predição dos níveis de formação de sucata em uma empresa do ramo metal mecânico. Para tanto, um modelo de regressão linear múltipla é inicialmente ajustado aos dados normalizados. As variáveis são então sistematicamente removidas com base no valor absoluto do coeficiente de regressão. Após cada eliminação de variável, a capacidade preditiva do modelo é avaliada através das medidas de desempenho Critério de Informação Akaike (AIC) e Soma dos Quadrados dos Erros (SQE). A capacidade preditiva dos modelos resultantes foi considerada adequada por especialistas de processo.Universidade Tecnológica Federal do Paraná (UTFPR)Stein, MarcelaAnzanello, Michel JoséKahmann, Alessandro2014-12-09info:eu-repo/semantics/articleinfo:eu-repo/semantics/publishedVersionapplication/pdfhttps://periodicos.utfpr.edu.br/revistagi/article/view/157610.3895/S1808-04482014000100007Revista Gestão Industrial; v. 10, n. 1 (2014)1808-044810.3895/S1808-044820140001reponame:Revista Gestão Industrialinstname:Universidade Tecnológica Federal do Paraná (UTFPR)instacron:UTFPRporhttps://periodicos.utfpr.edu.br/revistagi/article/view/1576/1825Direitos autorais 2016 CC-BYhttp://creativecommons.org/licenses/by/4.0info:eu-repo/semantics/openAccess2014-12-18T12:53:24Zoai:periodicos.utfpr:article/1576Revistahttps://periodicos.utfpr.edu.br/revistagiPUBhttps://periodicos.utfpr.edu.br/revistagi/oai||revistagi@utfpr.edu.br1808-04481808-0448opendoar:2014-12-18T12:53:24Revista Gestão Industrial - Universidade Tecnológica Federal do Paraná (UTFPR)false |
dc.title.none.fl_str_mv |
SISTEMÁTICA PARA IDENTIFICAÇÃO DAS VARIÁVEIS PREDITIVAS MAIS RELEVANTES EM UM PROCESSO DO SETOR METAL-MECÂNICO |
title |
SISTEMÁTICA PARA IDENTIFICAÇÃO DAS VARIÁVEIS PREDITIVAS MAIS RELEVANTES EM UM PROCESSO DO SETOR METAL-MECÂNICO |
spellingShingle |
SISTEMÁTICA PARA IDENTIFICAÇÃO DAS VARIÁVEIS PREDITIVAS MAIS RELEVANTES EM UM PROCESSO DO SETOR METAL-MECÂNICO Stein, Marcela G Qualidade |
title_short |
SISTEMÁTICA PARA IDENTIFICAÇÃO DAS VARIÁVEIS PREDITIVAS MAIS RELEVANTES EM UM PROCESSO DO SETOR METAL-MECÂNICO |
title_full |
SISTEMÁTICA PARA IDENTIFICAÇÃO DAS VARIÁVEIS PREDITIVAS MAIS RELEVANTES EM UM PROCESSO DO SETOR METAL-MECÂNICO |
title_fullStr |
SISTEMÁTICA PARA IDENTIFICAÇÃO DAS VARIÁVEIS PREDITIVAS MAIS RELEVANTES EM UM PROCESSO DO SETOR METAL-MECÂNICO |
title_full_unstemmed |
SISTEMÁTICA PARA IDENTIFICAÇÃO DAS VARIÁVEIS PREDITIVAS MAIS RELEVANTES EM UM PROCESSO DO SETOR METAL-MECÂNICO |
title_sort |
SISTEMÁTICA PARA IDENTIFICAÇÃO DAS VARIÁVEIS PREDITIVAS MAIS RELEVANTES EM UM PROCESSO DO SETOR METAL-MECÂNICO |
author |
Stein, Marcela |
author_facet |
Stein, Marcela Anzanello, Michel José Kahmann, Alessandro |
author_role |
author |
author2 |
Anzanello, Michel José Kahmann, Alessandro |
author2_role |
author author |
dc.contributor.none.fl_str_mv |
|
dc.contributor.author.fl_str_mv |
Stein, Marcela Anzanello, Michel José Kahmann, Alessandro |
dc.subject.por.fl_str_mv |
G Qualidade |
topic |
G Qualidade |
description |
As avançadas tecnologias de monitoramento e coleta de dados de processos industriais têm gerado um grande volume de informações que viabilizam a análise do desempenho destes processos. Neste contexto, procedimentos de seleção de variáveis constituem-se em importante recurso para aprimorar o monitoramento e entendimento de tais informações, tipicamente apoiadas em bancos formados por variáveis altamente correlacionadas, ruidosas ou com informação pouco relevante. Esse artigo propõe uma sistemática para identificar as variáveis (indicadores) mais relevantes com vistas à predição dos níveis de formação de sucata em uma empresa do ramo metal mecânico. Para tanto, um modelo de regressão linear múltipla é inicialmente ajustado aos dados normalizados. As variáveis são então sistematicamente removidas com base no valor absoluto do coeficiente de regressão. Após cada eliminação de variável, a capacidade preditiva do modelo é avaliada através das medidas de desempenho Critério de Informação Akaike (AIC) e Soma dos Quadrados dos Erros (SQE). A capacidade preditiva dos modelos resultantes foi considerada adequada por especialistas de processo. |
publishDate |
2014 |
dc.date.none.fl_str_mv |
2014-12-09 |
dc.type.none.fl_str_mv |
|
dc.type.driver.fl_str_mv |
info:eu-repo/semantics/article info:eu-repo/semantics/publishedVersion |
format |
article |
status_str |
publishedVersion |
dc.identifier.uri.fl_str_mv |
https://periodicos.utfpr.edu.br/revistagi/article/view/1576 10.3895/S1808-04482014000100007 |
url |
https://periodicos.utfpr.edu.br/revistagi/article/view/1576 |
identifier_str_mv |
10.3895/S1808-04482014000100007 |
dc.language.iso.fl_str_mv |
por |
language |
por |
dc.relation.none.fl_str_mv |
https://periodicos.utfpr.edu.br/revistagi/article/view/1576/1825 |
dc.rights.driver.fl_str_mv |
Direitos autorais 2016 CC-BY http://creativecommons.org/licenses/by/4.0 info:eu-repo/semantics/openAccess |
rights_invalid_str_mv |
Direitos autorais 2016 CC-BY http://creativecommons.org/licenses/by/4.0 |
eu_rights_str_mv |
openAccess |
dc.format.none.fl_str_mv |
application/pdf |
dc.publisher.none.fl_str_mv |
Universidade Tecnológica Federal do Paraná (UTFPR) |
publisher.none.fl_str_mv |
Universidade Tecnológica Federal do Paraná (UTFPR) |
dc.source.none.fl_str_mv |
Revista Gestão Industrial; v. 10, n. 1 (2014) 1808-0448 10.3895/S1808-044820140001 reponame:Revista Gestão Industrial instname:Universidade Tecnológica Federal do Paraná (UTFPR) instacron:UTFPR |
instname_str |
Universidade Tecnológica Federal do Paraná (UTFPR) |
instacron_str |
UTFPR |
institution |
UTFPR |
reponame_str |
Revista Gestão Industrial |
collection |
Revista Gestão Industrial |
repository.name.fl_str_mv |
Revista Gestão Industrial - Universidade Tecnológica Federal do Paraná (UTFPR) |
repository.mail.fl_str_mv |
||revistagi@utfpr.edu.br |
_version_ |
1800237644556271616 |