Gráficos de controle de aprendizagem dos processos: uma flexibilização de CEP com IA

Abstract

Neste trabalho, utilizamos técnicas de Inteligência Artificial e Controle Estatístico de Processos (CEP) para propor duas novas ferramentas de monitoramento de processos. Fundamentado em gráficos de controle mais tradicionais, como o proposto por Haworth (1996), bem como amparado por metodologias mais recentes, como Mostajeran (2016), os Gráfico de Controle de Classificação e Gráfico de Controle de Predição para Respostas Contínua, aqui propostos, têm por principal motivação apresentar-se à literatura como alternativas mais robustas e flexíveis que as ferramentas mais tradicionais. Para isso, além de grande capacidade de reconhecimento de padrões e diagnóstico de problemas, independente do cenário amostral, essas novas ferramentas, têm de ser capazes de desempenhar suas funções de monitoramento em grande escala, prevendo situações de Mercado, as quais os processos ocorrem, cada vez mais, em grandes volumes de dados. Buscando ilustrar ao máximo o quão flexíveis são os gráficos propostos, aplicamos 16 modelos de Aprendizagem de Máquinas a uma grande quantidade de cenários amostrais simulados, variando tamanho amostral, número de amostras, existência ou não de correlação linear entre os preditores do processo, bem como desbalanceamento e não normalidade da característica de interesse. Além dos estudos de simulação, de modo a ratificar a aplicabilidade das ferramentas propostas, bem como comparar as propostas a demais gráficos já consolidados na literatura, apresentamos 4 aplicações envolvendo bancos de dados reais, nos quais os resultados mostram que tanto o Gráfico de Controle de Classificação quanto o Gráfico de Controle de Predição para Respostas Contínua, podem ser alternativas interessantes quando se trata de controle de processos.

In this work, we use Artificial Intelligence and Statistical Process Control (CEP) techniques to propose two new process monitoring tools. Based on more traditional control charts, as proposed by Haworth (1996), as well as supported by more recent methodologies, such as Mostajeran (2016), the Classification Control Graph and Prediction Control Graph for Continuous Responses, proposed here, their main motivation is to present themselves to the literature as more robust and flexible alternatives than the more traditional tools. For this, in addition to the great ability to recognize patterns and diagnose problems, regardless of the sample scenario, these new tools must be able to perform their monitoring functions on a large scale, predicting market situations, in which the processes occur, increasingly, in large volumes of data. In order to fully illustrate how flexible the proposed graphics are, we apply 16 Machine Learning models to a large number of simulated sample scenarios, varying sample size, number of samples, whether or not there is a linear correlation between the process predictors, as well as imbalance and non-normality of the characteristic of interest. In addition to the simulation studies, in order to confirm the applicability of the proposed tools, as well as to compare the proposals with other graphs already consolidated in the literature, we present 4 applications involving real databases, in which the results show that both the Control Graph of Classification and the Prediction Control Chart for Continuous Responses can be interesting alternatives when it comes to process control.