Autopeças — moldagem por injeção · Coreia do Sul · 2025
IA explicável reduz defeitos de injeção de 1,00% para 0,13% em autopeças
Estudo validado com dados reais da Korea AI Manufacturing Platform (KAMP) combinou modelos de boosting (XGBoost e LightGBM) com técnicas de IA explicável (SHAP e ICE) para descobrir faixas de controle acionáveis e reduzir drasticamente a taxa de defeitos na injeção de molduras automotivas.
Contexto
A moldagem por injeção é base da produção em massa de autopeças. A qualidade depende de dezenas de variáveis (temperatura, pressão, velocidade) ao longo de seis estágios — plastificação, fechamento, preenchimento, recalque, resfriamento e ejeção. Modelos tradicionais de aprendizado de máquina conseguem prever defeitos, mas funcionam como "caixa-preta", o que dificulta a confiança dos engenheiros de processo.
O problema prioritário
Reduzir a taxa de defeitos de molduras laterais de para-brisas sem perder a confiança dos especialistas de campo, que precisavam entender por que o modelo apontava risco e como ajustar a máquina de injeção em resposta.
Objetivo do projeto
Construir um sistema de predição de qualidade que, além de classificar peças como normais ou defeituosas, indicasse quais variáveis controláveis mais influenciam o defeito e em que faixa cada uma deveria operar.
Passo a passo da jornada
- Reunir dados reais do processo — Uso do conjunto público da Korea AI Manufacturing Platform (KAMP) com registros de produção de molduras automotivas.
- Balancear classes com SMOTE — Como defeitos são raros, aplicaram SMOTE (Synthetic Minority Over-sampling Technique) para gerar amostras sintéticas de falhas e evitar viés do modelo.
- Treinar dois modelos de boosting — XGBoost e LightGBM foram treinados para classificar peças como normais ou defeituosas a partir das 16 variáveis controláveis do processo.
- Explicar com SHAP — SHAP (Shapley Additive exPlanations) priorizou as variáveis mais influentes — pressão máxima de injeção, pressão de comutação, temperatura do barril 5, contrapressão média e RPM do parafuso.
- Definir faixas de controle com ICE — ICE (Individual Conditional Expectation) mostrou como a probabilidade de uma peça ser normal muda em função de cada variável, definindo faixas operacionais ótimas.
- Validar redução de defeitos — Aplicaram as faixas sugeridas aos lotes de validação e mediram a queda da taxa de defeitos sob diferentes níveis de austeridade (parâmetro Alpha).
Dados necessários
- Registros de produção da Korea AI Manufacturing Platform (KAMP) — 3.995 amostras de molduras laterais de para-brisas
- 16 variáveis controláveis do processo de injeção (pressões, temperaturas, velocidades, tempos)
- Rótulos de qualidade (normal vs. defeituoso) por peça
Ferramentas e arquitetura
Barreiras enfrentadas
- Forte desbalanceamento de classes (defeitos muito mais raros que peças normais)
- Resistência dos especialistas em confiar em modelos "caixa-preta"
- Dependência de sensores e MES para coletar variáveis em tempo real
- Variabilidade da matéria-prima de fornecedores externos fora do escopo do modelo
Aprendizados-chave
- Explicabilidade (XAI) é o que transforma uma boa previsão em ação confiável no chão de fábrica.
- Combinar SHAP (o que importa) com ICE (em que faixa operar) entrega ao engenheiro uma recomendação acionável, não só um alerta.
- Há trade-off entre rigor de controle e custo: o parâmetro Alpha permite calibrar quanto restringir o processo conforme o apetite por defeito.