Aplicações de Machine Learning no Contexto da Engenharia Mecânica:

Uma Revisão Exploratória da Literatura com uso de Text Mining

Machine Learning Applications in the Context of Mechanical

Engineering: An Exploratory Literature Review using Text Mining
Edson Luiz Marques Júnior1, Murilo Noriyuki Rubio Maehashi2, Gilson Adamczuk Oliveira3

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

Novas tecnologias sempre estão em desenvolvimento e em meados do século XX,

fora apresentado ao mundo a programação: uma forma de se comunicar com a máquina
a partir de um código gerado pelo desenvolvedor. Assim, a necessidade de se
automatizar tarefas, deixando a máquina cada vez mais inteligente ao ponto de conseguir
adquirir conhecimento a partir de dados fornecido por ela mesma, foi alvo de estudos
desde então.

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

Para o estudo em questão, foi utilizado o software Orange Datamining para

problemas relacionados ao machine learning. Sua principal característica é a linguagem
de programação visual, que pode ser usada para realizar as análises de banco de dados
que podem estar tanto em formato numérico como em formato de texto.
O banco de dados utilizado foi extraído da plataforma Scopus, obtendo um total de
280 artigos. Entre os resultados encontrados com a pesquisa na plataforma, as seguintes
aplicações de Machine Learning no contexto da Engenharia Mecânica foram obtidas:
Industria 4.0, deep learning e gestão e empreendedorismo.

MODELO LATENT DIRICHLET ALLOCATION (LDA)

O método conhecido como Latent Dirichlet Allocation (LDA), é de uso comum na

modelagem de tópicos, a partir de um modelo probabilístico generativo para um corpus,
ele relaciona conjuntos de observações para que as semelhanças possam ser explicadas
por variáveis latentes (Asmussen, C. B., Møller, C.; Xiao, Y., Watson, M.).
Na execução da metodologia alguns passos são padronizados, inicialmente é
realizado o pré-processamento de texto, realizando o carregamento do banco de dados e
filtrando palavras como stop words, removendo URL’s e convertendo palavras maiúsculas
em minúsculas (Asmussen, C. B., Møller, C.; Xiao, Y., Watson, M.).
O segundo passo, modelagem de tópicos, tem como peça chave o número de
perplexidade, é com esse valor numérico que se encontra o número ideal de tópicos.

www.even3.com.br/seisicite2022 2
Segue a seguir a equação para encontrar a perplexidade (Campbell, J. C., Hindle, A.,
Stroulia, E.):

(1)

Fonte: Campbell, J. C., Hindle, A., Stroulia, E.

Conforme o objetivo da análise proposta no estudo pode surgir duas configurações

de um número ótimo de tópicos. Caso o foco da problemática seja ter uma visão mais
geral dos artigos um número ótimo de tópicos mais baixo se mostra mais interessante,
caso o objetivo seja uma visão mais detalhada um número ótimo de tópicos maior se
mostra mais interessante (Campbell, J. C., Hindle, A., Stroulia, E.).
O último passo é o pós-processamento de texto, nessa etapa é realizada a
identificação e rotulagem dos resultados obtidos conhecidos como tópicos relevantes.
Essa análise é de responsabilidade do pesquisador, podendo ela ser subjetiva fornecendo
diferentes rotulagens a partir do objetivo da pesquisa (Asmussen, C. B., Møller, C.).
APLICAÇÃO DO LATENT DIRICHLET ALLOCATION NO ORANGE DATAMINING

O software Orange Datamining é uma ferramenta de programação visual, interativa

para análise qualitativa rápida. Com a modelagem de workflows pode ser feita a análise
de dados de forma visual. Essa ferramenta possibilita, através de widgets, a criação de
um workflow para o método LDA, como demonstrado a seguir (Orange Data Mining):
Figura 1. Workflow do modelo LDA no Orange Datamining

Fonte: Orange Datamining

Os principais widgets utilizados para a confecção do workflow para o método LDA
são o “Preprocess Text” e o “Topic Modeling”. O pré-processamento de texto realiza a

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):

Figura 2. Widget Process Text no Orange Datamining

Fonte: Orange Datamining

O segundo widget é responsável pela modelagem de tópicos no corpus, tendo
base nas palavras que foram disponibilizadas nos documentos. Os tipos de modelagem
disponíveis neste widget são Latent Semantic Indexing (LSI), Latent Dirichlet Allocation
(LDA) e Hierarchical Dirichelet Process (HDP). Outra funcionalidade fornecida dentro do
método LDA é o cálculo do log da perplexidade (Orange Data Mining – Widget Topic
Modeling).
Figura 3. Widget Topic Modeling no Orange Datamining

Fonte: Orange Datamining

Aplicando as métricas definidas para a solução da problemática, adequando as
stopwords em um arquivo texto, aumentando expressivamente a quantidade de palavras

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

O objetivo da implementação da Indústria 4.0 é a automação dos processos de

produção e realizar a integração de novas tecnologias, como a inteligência artificial e o
machine learning. Esse enfoque tem por objetivo a digitalização das atividades e melhorar
a eficiência dos processos existentes dentro da Indústria (Nacchia, M., Fruggiero, F.,
Lambiase, A., Bruton, K.).
As tecnologias chaves que compõem a indústria 4.0 são: a manufatura aditiva,
inteligência artificial, internet das coisas e big data. Como resultado, estudos sempre
estão em desenvolvimento para expansão das possibilidades de implementação e
aplicação dos processos (Ertz, M., Sun, S., Boily, E., Kubiat, P., Quenum, G. G. Y.).
A forma de implementação do modelo é a parte mais importante do processo.
Inicialmente deve ser questionada a viabilidade de implementação. Até mesmo em Países
como a Polônia e Alemanha a viabilidade pode ser contestada, fazendo assim a avaliação
para compreender as particularidades tecnológicas considerando o quesito de produção a
partir de robôs (Jałowiec, T., Wojtaszek, H.).
Um dos indicadores utilizados para viabilidade de implementação é a busca pela
maturidade digital. Considerando um País emergente onde o processo de implementação
de indústria está ocorrendo, a implementação do sistema pode não se mostrar adequado
pela falta de infraestrutura (Jałowiec, T., Wojtaszek, H .).
Considerando o caso onde a implementação é um sistema viável, as vantagens do
processo são proporcionais às instalações dos maquinários para que possa ocorrer a
comunicação da máquina com o usuário, esse indicador é o mais importante pois o
machine learning tem sua aplicação formulada a partir dele (Jałowiec, T., Wojtaszek, H .).
Sensores que estão presentes no maquinário são levados ao computador, onde
ficam armazenados em bancos de dados, que são utilizados para deixar a máquina cada
vez mais inteligente. O programa tem a capacidade de identificação de parâmetros no
formato de dados numéricos para mapear e auxiliar na manutenção inteligente do
equipamento como no aumento da eficiência do processo (Nacchia, M., Fruggiero, F.,
Lambiase, A., Bruton, K.).
No entanto, as aplicações não se limitam a manutenção e aumento da eficiência do
processo de produção, a manufatura aditiva anda ganhando destaque. Esta produz peças
a partir da geração de um modelo 3D, moldando a peça a partir da adição de matéria
prima camada por camada (Carou, D.).
DEEP LEARNING

O conceito do deep learning é um derivado do machine learning, sendo ambos

aprendizado de máquina, mas com o diferencial que o deep learning cria modelos
hierárquicos complexos, imitando a forma na qual seres humanos conseguem aprender
(Schmidhuber, J.).

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

No contexto geral onde a Engenharia Mecânica está inserida, o machine learning,

tem ganhado espaço como se pode observar na Industria 4.0 com aplicações como a
manufatura aditiva, inteligência artificial, internet das coisas e big data, ou no deep
learning transformando as tecnologias deixando-as cada vez mais inteligente com seus
algoritmos de redes neurais e até mesmo em modelos de dados de gestão e
empreendedorismo que, a partir de uma transparência maior dos dados, podem gerar
otimizações de valores e de lucratividade. Porém, a quantidade de estudos existentes em
relação as aplicações no contexto da Engenharia Mecânica ainda não são grandes o
suficiente, sendo necessário um maior volume de estudos em todas as áreas presentes
nesse artigo, visto que está é uma área com grande potencial de crescimento.

www.even3.com.br/seisicite2022 6
Agradecimentos

Agradeço ao Programa de Bolsas de Iniciação Tecnológica (PIBIT 2021/2022) da

Fundação Araucária, pela bolsa concedida.

Conflito de interesse

Não há 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.

Página inicial Orange Data Mining, https://orangedatamining.com/, acessou pela última

vez em 18/06/2022.

Página do Orange Data Mining – Widget Preprocess Text, https://orangedatami-

ning.com/widget-catalog/text-mining/preprocesstext/, acessou pela última vez em
18/06/2022

Página do Orange Data Mining – Widget Topic Modeling,

https://orangedatami-ning.com/widget-catalog/text-mining/topicmodelling-widget/, acessou
pela última vez 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.

Carou, D. (2021). Aerospace Transformation through Industry 4.0 Technologies. In:

Aerospace and Digitalization. SpringerBriefs in Applied Sciences and Tech-nology().
Springer, Cham. https://doi.org/10.1007/978-3-030-67849-4_3. Acesso em: 18/06/2022.

Schmidhuber, J. (2015). Deep Learning in neural networks: An overview. Neural

Networks, 61, 85–117. https://doi.org/10.1016/j.neunet.2014.09.003. 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