Publication
Comparando redes neuronais na inferência de planos de produção
| dc.contributor.author | Carneiro, Gabriel | |
| dc.contributor.author | Matos, Paulo | |
| dc.contributor.author | Plasencia, Paula | |
| dc.date.accessioned | 2023-03-10T16:16:02Z | |
| dc.date.available | 2023-03-10T16:16:02Z | |
| dc.date.issued | 2020 | |
| dc.description.abstract | No âmbito do projeto eLeveling System, em desenvolvimento na empresa Techwelf, o trabalho realizado pelos autores visou dar continuidade à construção de um sistema de apoio à decisão (SAD) para definição de planos de produção, tendo por base um histórico de quase três anos de planos de produção e de registos de encomendas. À data, o planeamento da produção era definido com base nas expetativas dos gestores de produção, tendo por base as encomendas das semanas anteriores. O trabalho consistiu em analisar os dados existentes no sentido de eliminar séries temporais pouco representativas (prototipagem, testes pré-produção e afins) e, com base nas restantes, estimar a procura para as semanas seguintes. As estimativas são utilizadas como recomendações e associadas a um grau de incerteza. A decisão última seria sempre do operador de produção, que aceitaria as recomendações, ou atendendo às restrições de produção, como incapacidade de resposta dos fornecedores, existência de stocks, gestão dos recursos humanos e afins, ajustaria o plano de produção. A mais-valia do sistema é aproximar a produção à procura efetiva, minimizando a existência de stocks e indo de encontro à base de funcionamento do eLeveling System – enquanto sistema push de gestão de produção. Para o efeito testaram-se redes neuronais multicamadas Perceptron (MLP) e Long short-term memory (LSTM). Os dados foram dispostos em janela, de modo que se estamos na semana T e queremos inferir a produção das semanas seguintes (T+1, T+2, T+3 e T+4), a composição da janela teria as quantidades produzidas pelas últimas três semanas e pela semana atual (T-3, T-2, T-1 e T). Isso significa que 4 valores entram no modelo de previsão e 4 valores saem do modelo de previsão. O tamanho da janela foi obtido experimentalmente. Para a inferência decidiu-se que cada produto teria seu modelo de previsão, ao invés de um único modelo para todos eles. Decidiu-se que ao normalizar os dados, para permitir a inferência de valores maiores que máximo de produção presente nos dados, o valor máximo de normalização seria 1.2x o valor máximo de produção nos dados. O modelo LSTM foi construído com 2 camadas de 30 neurónios, com um dropout de 0.2 nas ligações entre camadas e a função de ativação sigmoid na saída por conta da normalização escolhida (entre 0 e 1). Já o modelo MLP é composto por 3 camadas de 50 neurónios, todas com ativação sigmoid, com dropout de 0.25 entre as ligações e na saída uma função de ativação linear. Os modelos compartilham o método de otimização Adam para o treinamento com taxa de aprendizado 0.001 (padrão do keras, framework escolhido para o desenvolvimento) e 20% dos dados de treinamento foram utilizados para a etapa de validação. Separamos 20% dos dados das séries temporais para testes. Para o cálculo do erro optou-se por um cálculo mensal, somando todos as 4 saídas das redes neuronais e comparando com a soma das 4 saídas dos itens de teste. Os dados das saídas das redes neuronais não foram suavizados para os testes. O modelo MLP teve erro de 54%, enquanto o LSTM teve erro de 51.4%. O fraco desempenho dos dois modelos pode ter sido causado por fatores como disposição dos dados e a pouca quantidade de amostras. O melhor desempenho do LSTM era esperado devido à sua capacidade de lidar com o fator tempo nos dados. Para trabalho futuro, pensa-se em considerar características das séries temporais, treinar um modelo com os produtos “fora de produção” e utilizar fine-tuning desse modelo para cada um dos produtos individuais. | pt_PT |
| dc.description.version | info:eu-repo/semantics/publishedVersion | pt_PT |
| dc.identifier.citation | Carneiro, Gabriel; Matos, Paulo; Plasencia, Paula (2020). Comparando redes neuronais na inferência de planos de produção. In In2CoP 2020 - Conferência Internacional em Processos de Cocriação no Ensino Superior 2020. Bragança, Portugal | pt_PT |
| dc.identifier.isbn | 978-972-745-275-0 | |
| dc.identifier.uri | http://hdl.handle.net/10198/27643 | |
| dc.language.iso | por | pt_PT |
| dc.peerreviewed | yes | pt_PT |
| dc.publisher | Instituto Politécnico de Bragança, 5300-253 Bragança, Portugal | pt_PT |
| dc.rights.uri | http://creativecommons.org/licenses/by/4.0/ | pt_PT |
| dc.subject | Redes neuronais | pt_PT |
| dc.subject | Planeamento de produção | pt_PT |
| dc.title | Comparando redes neuronais na inferência de planos de produção | pt_PT |
| dc.type | conference object | |
| dspace.entity.type | Publication | |
| oaire.citation.conferencePlace | Bragança, Portugal | pt_PT |
| oaire.citation.title | In2CoP 2020 - Conferência Internacional em Processos de Cocriação no Ensino Superior 2020 | pt_PT |
| person.familyName | Matos | |
| person.familyName | Plasencia | |
| person.givenName | Paulo | |
| person.givenName | Paula | |
| person.identifier | R-002-2BA | |
| person.identifier.ciencia-id | DD15-B2BC-3908 | |
| person.identifier.ciencia-id | AE1A-7C6C-7267 | |
| person.identifier.orcid | 0000-0003-0010-4777 | |
| person.identifier.orcid | 0000-0001-5827-8249 | |
| person.identifier.rid | I-5726-2018 | |
| person.identifier.scopus-author-id | 57193342842 | |
| person.identifier.scopus-author-id | 36888169700 | |
| rcaap.rights | openAccess | pt_PT |
| rcaap.type | conferenceObject | pt_PT |
| relation.isAuthorOfPublication | 1cb6522c-6039-44d0-a14e-70f65930ef92 | |
| relation.isAuthorOfPublication | 28abd7e4-80c3-45e1-af20-b3a7afede690 | |
| relation.isAuthorOfPublication.latestForDiscovery | 28abd7e4-80c3-45e1-af20-b3a7afede690 |