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. DOI: https://doi.org/10.1109/NAPS56150.2022.10012165

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 DOI: https://doi.org/10.1109/ACCESS.2022.3199913

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. DOI: https://doi.org/10.1145/1007730.1007735

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. DOI: https://doi.org/10.1613/jair.953

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. DOI: https://doi.org/10.1016/j.microrel.2017.03.006

Cramér, H. (1946). Mathematical methods of statistics. Princeton University Press. DOI: https://doi.org/10.1515/9781400883868

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. DOI: https://doi.org/10.1080/00140137308924492

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. DOI: https://doi.org/10.1016/j.patrec.2005.10.010

Fernández, A., García, S., Galar, M., Prati, R. C., Krawczyk, B., & Herrera, F. (2018). Learning from imbalanced data sets. Springer. DOI: https://doi.org/10.1007/978-3-319-98074-4

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 DOI: https://doi.org/10.1002/aaai.12129

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. DOI: https://doi.org/10.1023/A:1010920819831

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. DOI: https://doi.org/10.1017/CBO9780511921803

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. DOI: https://doi.org/10.1108/TQM-10-2023-0344

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. DOI: https://doi.org/10.1093/oso/9780195092691.001.0001

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. DOI: https://doi.org/10.1007/978-1-4615-4084-7

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. DOI: https://doi.org/10.1016/j.jmsy.2021.03.014

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. DOI: https://doi.org/10.1063/5.0325880

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. DOI: https://doi.org/10.31274/cc-20240624-975

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. DOI: https://doi.org/10.1016/j.ipm.2009.03.002

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. DOI: https://doi.org/10.1007/s10845-022-01963-8

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 DOI: https://doi.org/10.1109/TCPMT.2023.3249193

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 DOI: https://doi.org/10.1109/INDIN45582.2020.9442142