Aprendizado de máquina para suporte à decisão do nível de abrangência de bloqueio de lotes na inspeção de saída de produtos eletrônicos

Sandro Breval  Santiago; Ayumi Santana; Luciana Rolim; Erika Nozawa

doi:10.20397/2177-6652/2026.v26i3.3451

Autores

Sandro Breval Santiago
Ayumi Aoki Santana Instituto Kodigos - IKT https://orcid.org/0009-0005-5372-4533
Luciana Rolim Instituto Kodigos - IKT https://orcid.org/0009-0009-6889-1739
Erika Handa Nozawa Instituto Kodigos - IKT https://orcid.org/0009-0004-0947-930X

DOI:

https://doi.org/10.20397/2177-6652/2026.v26i3.3451

Palavras-chave:

Manufatura eletrônica; Inspeção de saída; Aprendizado de máquina; Qualidade preditiva; Desbalanceamento de classes.

Resumo

Objetivo: Propor um sistema preditivo baseado em aprendizado de máquina para apoiar a decisão de abrangência do bloqueio de lotes na inspeção de saída de um processo de manufatura eletrônica com linhas SMT, classificando automaticamente o escopo de contenção mais adequado para cada não conformidade detectada.

Metodologia: Seguiu-se uma adaptação do CRISP-DM, com entendimento do negócio, análise dos dados, construção da variável alvo por regras operacionais, engenharia de atributos, modelagem e avaliação. Foram comparados Random Forest, XGBoost, LightGBM e SVM em duas abordagens: treinamento apenas com dados reais e com aumento seletivo da classe minoritária por SMOTENC, usando registros históricos de uma fábrica da Zona Franca de Manaus.

Originalidade/Relevância: O estudo aborda uma lacuna prática pouco explorada: a decisão de abrangência do bloqueio após a detecção do defeito, e não a detecção do defeito em si. Propõe ainda uma estratégia para derivar a variável alvo quando a decisão de contenção ainda não é registrada no sistema.

Principais resultados: O Random Forest treinado apenas com dados reais obteve o melhor desempenho, com F1-macro de 0,7937 no conjunto de teste. A aplicação do SMOTENC não gerou ganho consistente em dados reais não vistos, indicando que o principal limite do sistema é o volume reduzido de registros com defeito.

Contribuições teóricas: O trabalho transforma dados operacionais já existentes em apoio preditivo à contenção de riscos no processo SMT e demonstra a viabilidade de derivar a variável alvo por regras operacionais, tornando as decisões de bloqueio mais rastreáveis, consistentes e orientadas por dados.

Biografia do Autor

Ayumi Aoki Santana, Instituto Kodigos - IKT

Graduada em Ciência da Computação

Universidade Federal do Amazonas

Luciana Rolim, Instituto Kodigos - IKT

Mestre em Engenharia Eletrica

Universidade Federal do Amazonas

Erika Handa Nozawa, Instituto Kodigos - IKT

Mestre em Computação

Universidade Federal do Amazonas

Referências

AIAG, & VDA. (2019). Failure mode and effects analysis: FMEA handbook. Automotive Industry Action Group.

Akula, S. K., Salehfar, H., & Behzadirafi, S. (2022, October). Comparison of traditional and fuzzy failure mode and effects analysis for smart grid electrical distribution systems. In 2022 North American Power Symposium (NAPS) (pp. 1–6). IEEE.

ANSI/ASQ. (2008). Sampling procedures and tables for inspection by attributes (ANSI/ASQ Z1.4-2008). American Society for Quality.

Arevalo, F., Piolo, C. A. M., Ibrahim, T., & Schwung, A. (2022). Production assessment using a knowledge transfer framework and evidence theory. arXiv. https://doi.org/10.48550/arXiv.2207.03611

Batista, G. E. A. P. A., Prati, R. C., & Monard, M. C. (2004). A study of the behavior of several methods for balancing machine learning training data. ACM SIGKDD Explorations Newsletter, 6(1), 20–29.

Branco, P., Torgo, L., & Ribeiro, R. P. (2015). A survey of predictive modelling under imbalanced distributions. arXiv. https://doi.org/10.48550/arXiv.1505.01658

Chawla, N. V., Bowyer, K. W., Hall, L. O., & Kegelmeyer, W. P. (2002). SMOTE: Synthetic minority over-sampling technique. Journal of Artificial Intelligence Research, 16, 321–357.

Chen, Z., Deng, S., Chen, X., Li, C., Sanchez, R. V., & Qin, H. (2017). Deep neural networks-based rolling bearing fault diagnosis. Microelectronics Reliability, 75, 327-333.

Cramér, H. (1946). Mathematical methods of statistics. Princeton University Press.

Drury, C. G., & Addison, J. L. (1973). An industrial study of the effects of feedback and fault density on inspection performance. Ergonomics, 16(2), 159–169.

Elkan, C. (2001). The foundations of cost-sensitive learning. In Proceedings of the 17th International Joint Conference on Artificial Intelligence (pp. 973–978).

Fawcett, T. (2006). An introduction to ROC analysis. Pattern Recognition Letters, 27(8), 861–874.

Fernández, A., García, S., Galar, M., Prati, R. C., Krawczyk, B., & Herrera, F. (2018). Learning from imbalanced data sets. Springer.

Ford Motor Company. (1987). Team oriented problem solving: 8D process. Ford Motor Company.

Gonzalez, L. F. A., & Yacout, S. (2025). Predictive modeling for quality prediction in multi-stage manufacturing systems using artificial intelligence. Machine Learning with Applications.

Gunraj, H., Guerrier, P., Fernandez, S., & Wong, A. (2022). SolderNet: Towards trustworthy visual inspection of solder joints in electronics manufacturing using explainable artificial intelligence. arXiv. https://doi.org/10.48550/arXiv.2211.10274

Hand, D. J., & Till, R. J. (2001). A simple generalisation of the area under the ROC curve for multiple class classification problems. Machine Learning, 45, 171–186.

Hopp, W. J., & Spearman, M. L. (2011). Factory physics (3rd ed.). Waveland Press.

IPC, & JEDEC. (2015). Moisture/reflow sensitivity classification for nonhermetic surface mount devices (IPC/JEDEC J-STD-020E). IPC.

ISO. (1999). Sampling procedures for inspection by attributes – Part 1: Sampling schemes indexed by acceptance quality limit for lot-by-lot inspection (ISO 2859-1:1999). International Organization for Standardization.

ISO. (2015a). Quality management systems – Fundamentals and vocabulary (ISO 9000:2015). International Organization for Standardization.

ISO. (2015b). Quality management systems – Requirements (ISO 9001:2015). International Organization for Standardization.

Japkowicz, N., & Shah, M. (2011). Evaluating learning algorithms: A classification perspective. Cambridge University Press.

Lobo, A., Sampaio, P., & Novais, P. (2024). Enhancing Quality 4.0 and reducing costs in lot-release process with machine learning-based complaint prediction. The TQM Journal.

Montgomery, D. C. (2016). Introdução ao controle estatístico da qualidade (7ª ed.). LTC.

Nonaka, I., & Takeuchi, H. (1995). The knowledge-creating company: How Japanese companies create the dynamics of innovation. Oxford University Press.

Powers, D. M. W. (2011). Evaluation: From precision, recall and F-measure to ROC, informedness, markedness and correlation. Journal of Machine Learning Technologies, 2(1), 37–63.

Prasad, R. P. (1997). Surface mount technology: Principles and practice (2nd ed.). Van Nostrand Reinhold.

Prasad-Rao, J., Heidary, R., & Williams, J. (2023). Detecting manufacturing defects in PCBs via data-centric machine learning on solder paste inspection features. arXiv. https://doi.org/10.48550/arXiv.2309.03113

Qin, W., Zhuang, Z., Guo, L., & Sun, Y. (2022). A hybrid multi-class imbalanced learning method for predicting the quality level of diesel engines. Journal of Manufacturing Systems.

Qiu, F., Wang, A., Wu, L., Nie, H., & Deng, B. (2026). A deep hybrid framework for quality prediction in complex manufacturing processes assisted by polynomial feature engineering. AIP Advances.

Rahman, M., Zhang, R., Gladstone, D. J., Williams, B. B., Chen, E., Dexter, C. A., Thompson, L., Bruza, P., & Pogue, B. W. (2021). Failure modes and effects analysis (FMEA) for experimental use of FLASH on a clinical accelerator. arXiv. https://doi.org/10.48550/arXiv.2112.10338

Sankhye, S., & Hu, G. (2020). Machine learning methods for quality prediction in production. Logistics.

Schwab, K. (2016). The fourth industrial revolution. World Economic Forum.

Slack, N., Brandon-Jones, A., & Johnston, R. (2018). Operations management (8th ed.). Pearson.

Sokolova, M., & Lapalme, G. (2009). A systematic analysis of performance measures for classification tasks. Information Processing & Management, 45(4), 427–437.

Tercan, H., & Meisen, T. (2022). Machine learning and deep learning based predictive quality in manufacturing: A systematic review. Journal of Intelligent Manufacturing, 33(7), 1879–1905.

Ulger, F., Yuksel, S. E., Yilmaz, A., & Gokcen, D. (2022). Fine-grained classification of solder joints with α-skew Jensen-Shannon divergence. arXiv. https://doi.org/10.48550/arXiv.2209.09857

Zhang, Q., Zhang, M., Gamanayake, C., Yuen, C., Geng, Z., Jayasekara, H., Zhang, X., Woo, C.-W., Low, J., & Liu, X. (2020). Deep learning based defect detection for solder joints on industrial X-ray circuit board images. arXiv. https://doi.org/10.48550/arXiv.2008.02604