Resumo: O presente trabalho de mestrado se propõe, a partir de uma abordagem orientada a dados, construir modelos substitutos de aprendizado de máquina com intuito principal de utilizá-los no contexto da otimização de parâmetros do processo de injeção de rodas de alumínio. Neste sentido, foi coletado um conjunto de dados multivaridos do processo de injeção e refrigeração nos moldes das rodas de alumínio de uma empresa do setor automotivo totalizando 65 variáveis. Em seguida esses dados passaram por uma série de tratamentos até ser utilizados no treinamento de modelos de aprendizado de máquina. No que se refere ao problema de otimização do processo, foram consideradas quatro funções objetivos. Uma dessas funções está associado a um problema de classificação,no qual se deseja discriminar entre rodas aprovadas ou reprovados no processo de inspeção. As demais funções objetivos estavam relacionadas a problemas de regressão cujas saídas a serem explicadas estavam associados a parâmetros do processo. Em nosso estudo, investigamos quatro métodos de aprendizado de máquina, sendo eles: regressão logísticas (apenas para classificação), regressão linear, floresta aleatória e redes neurais. Quando otimizados com todos objetivos em conjunto, os resultados não foram satisfatórios, porém quando focado em apenas uma função objetivo, como da redução do tempo de ciclo, as curvas de otimização se mostraram mais condizentes com a realidade. Por fim, realizamos análises de interpretabilidade de modo a entender a relevância dos atributos considerados na modelagem do problema Ver menos

Abstract: The present master’s work proposes, from a data-oriented approach, to build substitute models of machine learning with the main intention of using them in the context of the optimization of parameters of the injection process of aluminum wheels. In this way, a set of multivariate data from the injection and cooling process in the molds of aluminum wheels from automobilistic company was collected, totaling 65 variables. Then these data went through a series of treatments until they were used in the training of machine learning models. With regard to the process optimization problem, four objective functions were considered. One of these functions is associated with a classification problem, in which you want to discriminate between approved or failed wheels in the inspection process. The other objective functions were related to regression problems whose outputs to be explained were associated with process parameters. In our study, we investigated four machine learning methods, namely: logistic regression (only for classification), linear regression, random forest and neural networks. When optimized with all objectives together, the results were not satisfactory, but when focused on only one objective function, such as the cycle time reduction, the optimization curves were more consistent with reality. Finally, we performed analyzes of interpretability in order to understand the relevance of the attributes considered in modeling the problem Ver menos