| Summary: | Dissertação (mestrado) - Universidade Federal de Santa Catarina, Centro Tecnológico, Programa de Pós-Graduação em Engenharia de Automação e Sistemas, Florianópolis, 2014. === Made available in DSpace on 2015-02-05T20:33:30Z (GMT). No. of bitstreams: 1
328218.pdf: 1468123 bytes, checksum: d3fd465861070343779302a303b9297d (MD5)
Previous issue date: 2014 === Devido à grande rotatividade de produtos, a garantia da qualidade é um dos maiores desafios enfrentados em uma linha de produção em pequenas séries. Para superar esse problema, deve-se investir em sistemas flexíveis que possam ser adaptados para novas variedades de produtos. Utilizando como estudo de caso uma linha de montagem de placas de circuito impresso em pequenas séries, foi constatado que o principal problema para a garantia da qualidade é a identificação correta da origem dos defeitos observados durante a etapa de inspeção na linha de produção, visto que a relação entre causa e defeito é muito complexa e possui um alto grau de incerteza. Essa dissertação utiliza como proposta de solução a integração das técnicas de redes bayesianas e sistema multiagente, apresentando como resultado um sistema que possibilita a melhoria na qualidade do diagnóstico de defeitos encontrados na linha de produção utilizada como estudo de caso, quando comparado às soluções apresentadas anteriormente.<br> === Abstract : Due to the large product variety, the quality assurance is one of the biggest challenges in small series production (SSP). In order to solve this problem, it is required to develop flexible inspection systems, able to adapt to each new product. Using a small series printed circuit board (PCB) assembly line as a case study, it was identified that one of the main problems for the quality assurance in SSP is the correct identification of the causes of the observed faults during product inspection, knowing that the relation between cause and fault is in most cases complex and has a high degree of uncertainty. This dissertation proposes the integration of Bayesian networks and multiagent system techniques to implement an adaptive PCB fault diagnosis system. The present work shows that the resulting system leads to a higher quality of failure diagnosis on the production line when compared to previous approaches.
|
|---|
