Recentes avanços em inteligência artificial (AI) e machine learning têm aprimorado significativamente a detecção de defeitos em processos de fabricação, especialmente em ambientes de fábricas inteligentes.
Contexto da pesquisa
A pesquisa realizada por um grupo da KAIST (Instituto Avançado de Ciência e Tecnologia da Coreia) aborda um problema crucial: a deterioração do desempenho de modelos de AI diante de mudanças nos processos de fabricação, como a substituição de máquinas ou variações de temperatura e pressão.
Método proposto
A equipe liderada pelo Professor Jae-Gil Lee desenvolveu uma nova tecnologia chamada “adaptação de domínio para séries temporais” (time-series domain adaptation). Essa abordagem permite que modelos de AI detectem defeitos sem necessitar de rotulagem adicional, mesmo quando as condições de produção mudam. A tecnologia analisa dados de sensores em três componentes—tendências, não-tendências e frequências—para adaptar as previsões às novas características do processo.
“Essa tecnologia resolve o problema de retrainamento, que tem sido o maior obstáculo para a introdução de inteligência artificial na fabricação.”
(“This technology solves the retraining problem, which has been the biggest obstacle to the introduction of artificial intelligence in manufacturing.”)— Professor Jae-Gil Lee, KAIST
Resultados e impacto
Nos experimentos, a equipe obteve um aumento de até 9,42% na acurácia em comparação com métodos existentes, utilizando quatro datasets de benchmark de adaptação de domínio de séries temporais. Os resultados mostraram que a tecnologia é particularmente eficaz ao lidar com grandes variações na distribuição de rótulos, como padrões de ocorrência de defeitos, permitindo uma detecção robusta em ambientes de produção com pequenas quantidades de produtos distintos.
As implicações dessa pesquisa são vastas, com potenciais aplicações em fábricas inteligentes, dispositivos de saúde e até mesmo cidades inteligentes. À medida que essa tecnologia for comercializada, ela pode reduzir consideravelmente os custos de manutenção e melhorar as taxas de detecção de defeitos em várias indústrias.
Fonte: (TechXplore – Machine Learning & AI)
