DEFESA DE DISSERTAÇÃO DE MESTRADO Nº 338

Aluno: Thiago Domingos de Araújo Lemos

Título: "Predição da Qualidade de Pontos de Solda a Resistência com Pré-Aquecimento em Conjunto de Dados Desbalanceados."

Orientadora: Roberta Andrade de Araújo Fagundes

Examinadora Externa: Renata Maria Cardoso Rodrigues de Souza (CIN/UFPE)

Examinador Interno: Carlo Marcelo Revoredo da Silva

Data-hora: 02 de outubro de 2025 às 14h

Local: Formato presencial - Sala CSEC

---

Resumo:

         "A Solda a Ponto a Resistência possui grande importância em diversos setores industriais, especialmente no setor automotivo, onde desempenha papel crucial na união das diversas peças metálicas que formam as carrocerias dos veículos. Os expressivos volumes produtivos são garantidos pelo alto grau de automação, confiabilidade, agilidade e precisão que essa tecnologia desempenha, unindo chapas metálicas — sobretudo galvanizadas — pela passagem de uma corrente elétrica através das junções a serem unidas. A fim de assegurar a qualidade dos pontos de solda, controles inspetivos baseados em controles estatísticos são realizados no milhares de pontos de solda realizados, representando um processo lento e que exige mão de obra muito qualificada, que classifica manualmente cada ponto como aceitável ou defeituoso. Dessa maneira, o presente trabalho traz a proposta de aplicação de técnicas de aprendizado de máquina para predição da qualidade dos pontos de solda em uma fábrica automotiva utilizando dados reais extraídos, transformados e carregados do processo industrial de uma linha de produção da oficina da Funilaria, utilizando como variáveis preditoras as curvas de resistência dinâmicas, atributos singulares e as informações contidas na fase de pré-aquecimento, frequentemente negligenciadas em modelos preditivos de qualidade da Solda a Resistência na Literatura. Neste Contexto, três cenários de conjunto de dados foram analisados através da aplicação de modelos de rede neural e de técnicas de aprendizado por agrupamento. Além disso, foi considerado também o desafio de atingir resultados aceitáveis de classificação na presença de conjuntos de dados desbalanceados, problema comum em dados provenientes da área de qualidade de processo. Dessa forma, a abordagem de agrupamento ou ensemble foi explorada através de diversos classificadores base em um Classificador Balanced Bagging, por meio de um sistema de votos majoritários. O desempenho do modelo ensemble foi comparado com uma rede Neural Artificial em todos os cenários propostos: usando apenas atributos singulares do processo, usando características extraídas da curva de resistência dinâmica e uma abordagem híbrida de fusão dos dois primeiros cenários. Os resultados revelaram que o uso de classificadores de Balanced Bagging melhorou a capacidade de predição da classe minoritária mais crítica, que são os pontos de solda defeituosos."