Applications of data-driven methods in engineering : from manufacturing systems to vehicular connectivity

Abstract

Resumo: Este trabalho tem como objetivo demonstrar as diferentes formas como a coleta e uso de dados podem gerar valor para diferentes áreas da engenharia. Apresentamos quatro artigos com aplicações de aprendizagem de máquina, mineração de processos, ciência e análise de dados em engenharia. Os artigos são divididos em duas áreas abrangentes: planejamento e controle de produção; e utilização de dados de veículos conectados. Os dois primeiros artigos focam no planejamento e controle de produções em manufaturas, com o primeiro sendo uma pesquisa inicial na previsão de tempo remanescente de ordens de produção e o segundo uma pesquisa mais robusta, a qual é continuação e melhora direta do primeiro. Nestes dois artigos, são apresentados modelos de predição de tempo remanescente de ordens de produção orientados ao produto, utilizando métodos de mineração de processo e aprendizagem de máquina. Os modelos foram testados em dados artificiais e em dados de uma manufatura real e apresentaram resultados interessantes. Os dois últimos artigos têm como foco a utilização de dados de veículos conectados para gerar valor em dois diferentes tópicos: eficiência energética e otimização no tamanho de baterias de veículos elétricos. No primeiro desses artigos, uma clusterização com base no contexto é apresentada como solução para tornar rankings de consumo de combustível mais justos, isto é, que comparem os motorístas com mínima influência externa. Neste artigo, tal método de clusterização é demonstrado com dados de veículos reais e também é demonstrada a influência do contexto no consumo de combustível. Utilizando essa clusterização, rankings justos são criados e outras aplicações são propostas. O segundo desses artigos explora, em parte, uma das aplicações propostas no artigo anterior para a clusterização com base no contexto. Neste artigo, são utilizadas técnicas de aprendizagem de máquina e ciência e análise de dados para otimizar o tamanho de baterias de veículos elétricos, considerando os perfis de viagem dos diferentes contextos e considerando diferentes hipóteses de recarregamento. Tamanhos ótimos de baterias são encontrados para diferentes perfis de motoristas

Abstract: This work aims to demonstrate the different ways in which the collection and use of data can generate value for different areas of engineering. We present four papers with applications of machine learning, process mining, data science and analysis in engineering. The papers are divided into two broad areas: production planning and control; and utilizing data from connected vehicles. The first two articles focus on production planning and control in manufacturing, with the first being initial research into predicting the remaining time of production orders and the second more robust research, which is a direct continuation and improvement of the first. These two articles present product-orientated models for predicting the remaining time of production orders using process mining and machine learning methods. The models were tested on artificial data and data from a real manufacturing plant and showed interesting results. The last two papers focus on using data from connected vehicles to generate value in two different topics: energy efficiency and optimizing the size of electric vehicles’ batteries. In the first of these papers, context-based clustering is presented as a solution for making fuel consumption rankings fairer, i.e. comparing drivers with minimal external influence. In this paper, such a clustering method is demonstrated with real vehicles’ data, and the influence of context on fuel consumption is also shown. Using this clustering, fair rankings are created, and further applications are proposed. The second of these papers partly explores one of the applications proposed in the previous paper for context-based clustering. In this paper, machine learning, data science and analysis techniques are used to optimize the size of electric vehicles’ batteries, considering the travel profiles of different contexts and different recharging hypotheses. Optimal battery sizes are found for different driver profiles