Análise da produção e ocorrência de falhas no processo de tingimento de algodão utilizando modelos de aprendizado de máquina.
| dc.contributor.author | Ferreira, Camila Di Rienzo | |
| dc.date.accessioned | 2024-10-26T23:51:34Z | |
| dc.date.available | 2024-10-26T23:51:34Z | |
| dc.date.issued | 2024 | |
| dc.description | Trabalho de Conclusão de Curso apresentado ao Instituto Latino-Americano de Tecnologia, Infraestrutura e Território da Universidade Federal da Integração Latino- Americana, como requisito parcial à obtenção do título de Bacharel em Engenharia Química. | |
| dc.description.abstract | A indústria têxtil no Brasil tem mais de 200 anos de história e é considerada a maior cadeia têxtil completa do Ocidente, com um volume de produção de 2,1 milhões de toneladas em 2022. Possui autossuficiência na produção de algodão e uma cadeia produtiva integrada. Este estudo destaca a importância do controle de qualidade nesse setor, que atualmente possui métodos tradicionais que muitas vezes resulta em custos elevados e baixa eficiência. Neste trabalho foram desenvolvidos, modelos para prever a porcentagem de defeitos em tecidos, utilizando técnicas de ciência de dados e aprendizado de máquina, baseando-se na metodologia CRISP-DM. A pesquisa começou identificando outliers nos dados de tingimento, essa prática é essencial para manter a integridade das análises estatísticas e dos modelos preditivos. Os modelos desenvolvidos precisaram passar por ajustes de hiperparâmetros e técnicas de pré-processamento, como codificação de variáveis categóricas e normalização de dados. Três modelos com algoritmo de floresta aleatória foram desenvolvidos e comparados: o Modelo 1, o Modelo 2 (com normalização de dados) e o Modelo 3 (com exclusão das variáveis de tipos de defeitos e normalização dos dados). Os resultados revelaram que o Modelo 1 obteve o melhor desempenho, apresentando o valor de 0,75 para a métrica de avaliação MAPE e o valor de 0,8462 para R². A exclusão das variáveis relacionadas aos tipos de defeitos no Modelo 3 resultou em uma queda significativa na capacidade preditiva, isso se comprovou pelo valor de R² de -0,13 e MAPE de 8,72. Em síntese, o estudo contribuiu para o avanço do conhecimento no campo da previsão de defeitos têxteis, evidenciando a importância da análise de dados e aprendizado de máquina para o desenvolvimento de modelos preditivos na indústria têxtil brasileira. As descobertas sugerem oportunidades para melhorias nas práticas industriais relacionadas à qualidade e produção têxtil, e abrem caminho para pesquisas futuras nesse campo. | |
| dc.identifier.uri | https://dspace.unila.edu.br/handle/123456789/8579 | |
| dc.language.iso | vi | |
| dc.rights | openAccess | |
| dc.subject | indústria têxtil | |
| dc.subject | tingimento | |
| dc.subject | CRISP-DM | |
| dc.subject | floresta aleatória. | |
| dc.title | Análise da produção e ocorrência de falhas no processo de tingimento de algodão utilizando modelos de aprendizado de máquina. | |
| dcterms.abstract | The textile industry in Brazil has more than 200 years of history and is considered the largest complete textile chain in the West, with a production volume of 2.1 million tons in 2022. It has self-sufficiency in cotton production and an integrated production chain. This study highlights the importance of quality control in this sector, which currently has traditional methods that often result in high costs and low efficiency. In this work, models were developed to predict the percentage of defects in fabrics, using data science and machine learning techniques, based on the CRISP-DM methodology. The research began by identifying outliers in dyeing data, this practice is essential to maintain the integrity of statistical analyzes and predictive models. The developed models needed to undergo hyperparameter adjustments and pre-processing techniques, such as coding categorical variables and data normalization. Three models with a random forest algorithm were developed and compared: Model 1, Model 2 (with data normalization) and Model 3 (with exclusion of defect type variables and data normalization). The results revealed that Model 1 achieved the best performance, presenting a value of 0.75 for the MAPE evaluation metric and a value of 0.8462 for R². The exclusion of variables related to the types of defects in Model 3 resulted in a significant drop in predictive capacity, as demonstrated by the R² value of -0.13 and MAPE of 8.72. In summary, the study contributed to the advancement of knowledge in the field of predicting textile defects, highlighting the importance of data analysis and machine learning for the development of predictive models in the Brazilian textile industry. The findings suggest opportunities for improvements in industrial practices related to textile quality and production, and pave the way for future research in this field. |
Arquivos
Pacote Original
1 - 1 de 1
Carregando...
- Nome:
- Análise da produção e ocorrência de falhas no processo de tingimento de algodão utilizando modelos de aprendizado de máquina.pdf
- Tamanho:
- 2.13 MB
- Formato:
- Adobe Portable Document Format
Licença do Pacote
1 - 1 de 1
Nenhuma Miniatura disponível
- Nome:
- license.txt
- Tamanho:
- 1.82 KB
- Formato:
- Item-specific license agreed upon to submission
- Descrição: