Escolar Documentos
Profissional Documentos
Cultura Documentos
Edson Luiz Marques Junior¹, Gilson Adamczuk Oliveira1, Murilo Noriyuki Rubio
Maehashi1
1 Universidade Tecnológica Federal do Paraná, Pato Branco, BR
Resumo. Com o avanço tecnológico provido pela implementação da indústria 4.0 aplica-
ções de machine learning se tornaram cada vez mais necessárias no contexto da engenharia me-
cânica. Com a modernização da indústria surgiram novos problemas onde era necessário gerir
um grande volume de dados que eram gerados pelas máquinas e sensores. Afim de resolver pro-
blemas de gestão causado pelo grande volume de dados foram desenvolvidos algoritmos visuais
nos quais a análise de dados se torna uma tarefa menos árdua. A partir de plataformas de progra-
mação visual se pode realizar o gerenciamento dos dados facilitando o trabalho do engenheiro
nas diversas áreas de atuação como a manutenção, fabricação, projeto e gestão. Nesse sentido a
ferramenta citada foi utilizada para realizar uma revisão exploratória da literatura, sobre as apli-
cações de machine learning para Engenharia Mecânica. Os dados utilizados foram obtidos das
plataformas Capes e scopus e com o auxílio de um workflow do Orange Datamining no módulo
de text mining.
1 Introdução
Para que se possa utilizar o machine learning para a solução de problemas, são ne-
cessárias algumas condições, como uma base de dados grande o suficiente para o pro-
blema, e filtrar a base de dados, para melhorar sua qualidade, e ao final deve-se ter a
certeza de que o algoritmo está conseguindo resolver o problema e qual é a precisão
com a qual o problema está sendo resolvido [1,3].
Buscou-se, através de uma Revisão Exploratória da Literatura, no formato de uma
Revisão Descritiva, juntamente com um workflow desenvolvido no software Orange
Datamining, aplicações de machine learning no contexto da engenharia mecânica para
relatar o estado da literatura e que se possa propor possíveis trabalhos futuros.
2 Metodologia
Para tal estudo, foi utilizado o software Orange Datamining para a solução dos proble-
mas de machine learning, onde, com a utilização da programação visual, se pode reali-
zar as análises de banco de dados, tanto em formato texto como em formato numérico.
A base de dados foi extraída da plataforma scopus no qual 280 artigos foram obti-
dos. Dentre os arquivos disponíveis na plataforma foram obtidas as aplicações na en-
genharia mecânica: Industria 4.0, deep learning e gestão e empreendedorismo.
O interessante deste modelo é que o número de tópicos pode variar conforme o ob-
jetivo desejado da análise. Caso o objetivo seja ter uma visão mais geral dos artigos um
número de tópicos mais baixo se mostra mais interessante e caso se deseje ter uma visão
mais detalhada um número de tópicos maior se mostra mais interessante [2].
3
O outro widget realiza a modelagem de tópicos em um corpus com base nas pala-
vras encontradas nos documentos. Esse widget pode realizar modelagem do tipo Latent
Semantic Indexing (LSI), Latent Dirichlet Allocation (LDA) e Hierarchical Dirichelet
Process (HDP). Como o caso do artigo é apenas o LDA, apenas ele foi utilizado, além
disso esse widget já calcula o log da perplexidade [6].
Dentro das métricas da problemática que é alvo de estudo, foram adequados os itens
considerados stop words em um arquivo de texto, aumentando expressivamente o nú-
mero de palavras chaves na word cloud e definido o número de tópicos com base no
log da perplexidade, os resultados demonstram que os principais tópicos estão atrelados
a Indústria 4.0, ao deep learning e a gestão e empreendedorismo.
3 Resultados e Discussão
4 Conclusão
5 Referências
[1] 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
[2] 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
[3] 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
[4] Página inicial Orange Data Mining, https://orangedatamining.com/, acessou pela
última vez em 2022/06/18
[5] Página do Orange Data Mining – Widget Preprocess Text, https://orangedatami-
ning.com/widget-catalog/text-mining/preprocesstext/, acessou pela última vez
em 2022/06/18
[6] Página do Orange Data Mining – Widget Topic Modeling, https://orangedatami-
ning.com/widget-catalog/text-mining/topicmodelling-widget/, acessou pela úl-
tima vez em 2022/06/18
[7] Bigliardi, B. (2021). Industry 4.0 applied to food. Sustainable food processing and
engineering challenges (pp. 1-23) doi:10.1016/B978-0-12-822714-5.00001-2
[8] 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
[9] 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
[10] 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
[11] 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
[12] 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
[13] 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
[14] 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
[15] Ambilkar, P., Dohale, V., Gunasekaran, A., & Bilolikar, V. (2022). Product returns
management: A comprehensive review and future research agenda. International
8