Escolar Documentos
Profissional Documentos
Cultura Documentos
SICITE 2022 - Modelo Resumo Expandido - Com Autores
SICITE 2022 - Modelo Resumo Expandido - Com Autores
RESUMO
A partir evolução da tecnologia provida pela inserção da indústria 4.0 aplicações de machine learning estão
cada vez mais presentes e de forma, quase que, necessária no contexto atual da engenharia mecânica. A
modernização dos meios de produção trouxe novos problemas como a gestão de um grande número de
dados que eram gerados pelas máquinas e sensores. Com a finalidade de solucionar tal caso, algoritmos
visuais forma criados para que a análise de dados não seja uma tarefa árdua. Com o auxílio das
plataformas de programação visual o gerenciamento dos dados facilita o trabalho dos engenheiros nas mais
variadas áreas de atuação como, manutenção, fabricação, projeto e gerenciamento. O desenvolvimento da
ferramenta proposta no trabalho foi utilizado para realização de uma revisão exploratória da literatura, sobre
as aplicações de machine learning no atual contexto da Engenharia Mecânica. O banco de dados foi
extraído da plataforma Scopus e foi confeccionado a produção de um workflow no Orange Datamining no
módulo de Text mining.
PALAVRAS-CHAVE: data science; engenharia mecânica; indústria 4.0; machine learning.
ABSTRACT
From the evolution of technology provided by insertion of industry 4.0 machine learning applications are
increasingly present and almost necessary in the current context of mechanical engineering. The
optimization of the means of producing new problems was generated from a large number of data that were
generated by machines and sensors. With problem-solving analysis solved, objects were created so that
data analysis is not an arduous task. With the help of visual programming platforms, data management
facilitates the work of engineers in the most varied areas of activity such as maintenance, manufacturing,
design and management. The developed of the tool proposed in the work was used to carry out an
exploratory review of the literature of machine learning in the current context of Mechanical Engineering. The
database was retrieved from the Scopus platform and was inspired by production of Datamining workflow in
the Text mining module.
KEYWORDS: data science; mechanical engineering; industry 4.0; machine learning.
INTRODUÇÃO
1
Bolsista da Fundação Araucária. Universidade Tecnológica Federal do Paraná, Pato Branco, Paraná,
Brasil. E-mail: edson.2019@alunos.utfpr.edu.br. ID Lattes: 2936354156658814.
2
Bolsista da Fundação Araucária. Universidade Tecnológica Federal do Paraná, Pato Branco, Paraná,
Brasil. E-mail: maehashi@alunos.utfpr.edu.br. ID Lattes: 8877774934351148.
3
Docente no Curso/Departamento/Programa. Universidade Tecnológica Federal do Paraná, Pato Branco,
Paraná, Brasil. E-mail: gilson@utfpr.edu.br. ID Lattes: 5725118465825490.
Este é um documento de acesso aberto sob os termos da Licença Creative Commons Atribuição, Não Comercial, Não
para Obras Derivadas (CC BY NC ND), que permite o uso e distribuição em qualquer meio, desde que o trabalho
original seja devidamente citado, o uso não seja comercial e nenhuma modificação ou adaptação seja feita.
Com essa visão, surge o conceito de machine learning (aprendizado da máquina),
que reconhece padrões a partir de uma fonte de dados. O desenvolvimento de um
programa capaz de realizar a gerencia de informações – tanto numéricas quanto textuais
– foi alvo para compreender as diversas aplicações dentro da engenharia mecânica
(Asmussen, C. B., Møller, C.; Xiao, Y., Watson, M.).
No geral, são três as formas de aplicações do machine learning:
1. Supervisionado: para cada banco de dados reconhecido pelo algoritmo, é
necessário ter uma resposta ou uma classificação;
2. Não supervisionado: para cada banco de dados reconhecido pelo algoritmo
ele tende a buscar formas de agrupar os dados no formato de clusters, após
o agrupamento é feita a análise para determinar qual o contexto na qual o
dado está inserido;
3. Reforço: algoritmo faz uma análise hipotética baseada nos bancos de dados
retornando se a hipótese adotada é boa ou ruim para o problema.
Alguns pré requisitos são necessários para a utilização do machine learning dentro
dos conceitos dos problemas. Uma base de dados grande o suficiente, melhorar a
qualidade dos dados a partir do uso de filtros e ao final do processo se deve ter a certeza
de que o algoritmo está conseguindo reconhecer qual é a problemática na qual está
buscando se resolver (Asmussen, C. B., Møller, C.; Xiao, Y., Watson, M.).
Através de uma Revisão Exploratória da Literatura no formato de uma Revisão
Descritiva juntamente com um workflow desenvolvido no software Orange Datamining,
buscou-se aplicações de machine learning no contexto da engenharia mecânica para o
relato do estado da literatura e para a proposição de possíveis trabalhos futuros.
METODOLOGIA
www.even3.com.br/seisicite2022 2
Segue a seguir a equação para encontrar a perplexidade (Campbell, J. C., Hindle, A.,
Stroulia, E.):
(1)
www.even3.com.br/seisicite2022 3
inserção da transformação e de filtragem das palavras, como é o caso da remoção das
stopwords, URL’s, números indesejados e N-Grams. A seguir o formato de pré-
processamento de texto disponibilizado pelo Orange Dataminig (Orange Data Mining –
Widget Preprocess Text):
www.even3.com.br/seisicite2022 4
chaves na word cloud e a partir do log da perplexidade foi definido o número ótimo de
tópicos. Dentre os resultados se encontram os tópicos relacionados a Indústria 4.0, deep
learning e gestão e empreendedorismo.
RESULTADOS E DISCUSSÃO
INDÚSTRIA 4.0
www.even3.com.br/seisicite2022 5
“Redes neurais”, são modelos complexos de algoritmos que se ligam a partir do
reconhecimento de padrões. Apesar de possuir uma definição semelhante ao machine
learning, seu principal diferencial é a eficiência e velocidade na qual o reconhecimento de
padrões é realizado pelo programa (Schmidhuber, J.).
Como consequência do aumento da eficiência e qualidade, a complexidade dos
dados multidimensionais gerados é maior possibilitando a existência de problemas mais
complexos a serem resolvidos (Schmidhuber, J.).
Na manufatura aditiva, se obtém um serviço de maior qualidade e eficiência com
mais baixo custo. Isso se deve ao desenvolvimento do algoritmo neural que otimiza a
precisão analítica dos dados fornecendo um resultado de maior qualidade (Schmidhuber,
J.; Zhou, Y., Dong, F., Liu, Y., Ran, L.).
Outra aplicação, está voltada ao ramo da microscopia eletrônica, com a aplicação
e desenvolvimento do software e hardware dos componentes das redes neurais, gerando
assim uma otimização de projeto (Ede, J. M.).
GESTÃO E EMPREENDEDORISMO
Além dos dados gerados por máquinas, outra aplicação que está ganhando ênfase
são os dados utilizados como ferramenta para problemáticas de gestão e
empreendedorismo, diferente dos parâmetros das máquinas, os dados coletados estão
relacionados as variáveis microeconômicas denominadas preço, oferta e demanda (Gaur,
L., Solanki, A., Jain, V., Khazanchi, D.).
Dominando as variáveis microeconômica de mercado, se obtém a capacidade de
gestão de informação de produto, exemplo esse é a devolução. Da mesma forma, com
aumento da transparência de dados se possui a capacidade de geração de um preço do
produto mais otimizado em função da qualidade, diminuindo tal problema (Ambilkar, P.,
Dohale, V., Gunasekaran, A., Bilolikar, V.).
Outra variável em que se é capaz de aplicar a otimização de processo é a
lucratividade, como foi o caso da indústria manufatureira. Aplicando conceitos de machine
learning se pode gerenciar, com uma maior precisão, onde devem ser realocados os
esforços para determinadas industrias (Omar, Y. M., Minoufekr, M., Plapper, P.).
CONCLUSÃO
www.even3.com.br/seisicite2022 6
Agradecimentos
Conflito de interesse
REFERÊNCIAS
Asmussen, C. B., & Møller, C. (2019). Smart literature review: a practical topic modelling
approach to exploratory literature review. Journal of Big Data, 6(1).
https://doi.org/10.1186/s40537-019-0255-7. Acesso em: 18/06/2022.
Xiao, Y., & Watson, M. (2019). Guidance on Conducting a Systematic Literature Review.
Journal of Planning Education and Research, 39(1), 93–112.
https://doi.org/10.1177/0739456X17723971. Acesso em: 18/06/2022.
Campbell, J. C., Hindle, A., & Stroulia, E. (2015). Latent Dirichlet Allocation: Extracting
Topics from Software Engineering Data. The Art and Science of Analyzing Software Data,
3, 139–159. https://doi.org/10.1016/B978-0-12-411519-4.00006-9. Acesso em:
18/06/2022.
Nacchia, M., Fruggiero, F., Lambiase, A., & Bruton, K. (2021). A systematic map-ping of
the advancing use of machine learning techniques for predictive mainte-nance in the
manufacturing sector. Applied Sciences (Switzerland), 11(6) doi:10.3390/app11062546.
Acesso em: 18/06/2022.
Ertz, M., Sun, S., Boily, E., Kubiat, P., & Quenum, G. G. Y. (2022). How transi-tioning to
industry 4.0 promotes circular product lifetimes. Industrial Marketing Management, 101,
125-140. doi:10.1016/j.indmarman.2021.11.014. Acesso em: 18/06/2022.
www.even3.com.br/seisicite2022 7
Jałowiec, T., & Wojtaszek, H. (2022). Analysis of directional activities for industry 4.0 in the
example of poland and germany. Sustainability (Switzerland), 14(7)
doi:10.3390/su14073848. Acesso em: 18/06/2022.
Zhou, Y., Dong, F., Liu, Y., & Ran, L. (2021). A deep learning framework to early identify
emerging technologies in large-scale outlier patents: an empirical study of CNC machine
tool. Scientometrics, 126(2), 969–994. https://doi.org/10.1007/s11192-020-03797-8.
Acesso em: 18/06/2022.
Ede, J. M. (2021). Deep learning in electron microscopy. Machine Learning: Science and
Technology, 2(1), 2632. https://doi.org/10.1088/2632-2153/abd614. Acesso em:
18/06/2022.
Gaur, L., Solanki, A., Jain, V., & Khazanchi, D. (2020). Handbook of research on
engineering innovations and technology management in organizations. Handbook of
research on engineering innovations and technology management in organiza-tions (pp. 1-
459) doi:10.4018/9781799827726. Acesso em: 18/06/2022.
Ambilkar, P., Dohale, V., Gunasekaran, A., & Bilolikar, V. (2022). Product returns
management: A comprehensive review and future research agenda. International Journal
of Production Research, 60(12), 3920-3944. doi:10.1080/00207543.2021.1933645.
Acesso em: 18/06/2022.
Omar, Y. M., Minoufekr, M., & Plapper, P. (2019). Business analytics in manufacturing:
Current trends, challenges and pathway to market lead-ership. Operations Research
Perspec-tives, 6 doi:10.1016/j.orp.2019.100127. Acesso em: 18/06/2022.
www.even3.com.br/seisicite2022 8