Comparação de modelos de previsão voltados à manutenção preditiva na indústria automobilística a partir de dados de inspeção de qualidade

Abstract

Predictive maintenance can be used for the optimization of machine availability, reducing maintenance costs, improving quality management and decision-making. This paper proposes the use of 5 time-series forecasting methods, being two classical approaches: Exponential Smoothing and Autoregressive Integrated Moving Average (ARIMA); and three based on machine learning: Radial Basis Function Neural Networks (RBF-NN), Support Vector Regression (SVR), and Long-Short Term Memory (LSTM). The meta-parameters of the models were optimized using Differential Evolution (DE) algorithm. In the presented analysis, a quality inspection database from an automaker factory floor was presented. The main idea was to predict deviations from tolerance, anticipating corrective actions in the production process. As a result, it was possible to compare the efficiency of the 5 models in relation to three time series analyzing their characteristics, strengths and drawbacks. Resumo: A manutenção preditiva pode ser usada na otimização da disponibilidade de máquinas, redução de custos de manutenção, gestão da qualidade e processo de tomada de decisões. Neste trabalho realizouse o estudo de 5 modelos de previsão de séries temporais, dois clássicos: Suavização Exponencial e Autorregressivo Integrado de Médias Móveis (ARIMA), e três baseados em aprendizado de máquina: Rede Neural de Base Radial (RBF-NN), Regressão por Vetores de Suporte (SVR) e Memória de Curto e Longo Prazo (LSTM). Os meta-parâmetros dos modelos foram otimizados usando o algoritmo de Evolução Diferencial (DE). A base de dados utilizada neste estudo é proveniente da inspeção da qualidade no chão de fábrica de uma montadora. Neste contexto, a ideia principal foi prever desvios relacionados à tolerância, antecipando ações de correção no processo produtivo. Como resultado, foi possível comparar a eficiência dos 5 modelos em relação a três séries temporais analisando suas características, vantagens e desvantagens.