https://repositorio.ufsc.br/handle/123456789/7447 Engenharia de Controle e Automação 2026-04-30T08:42:27Z https://repositorio.ufsc.br/handle/123456789/273099 Application of data analysis algorithms for cost, time, and quality improvement in machining processes Piccoli, Fernando Rech This work presents the development and evaluation of an integrated data-driven framework for the analysis, visualization, and interpretation of machining process data, aiming to support decision-making related to time efficiency, tooling costs, and product quality. The research adopts a methodological approach based on the systematic processing of operational data acquisiton obtained from machining operations, combining interactive time-series visualization, frequency-domain inspection, and performance-oriented analytical modules. The framework enables structured selection of operations, comparison of raw and processed signals, and exploratory analysis across multiple temporal and operational contexts. Based on these analyses, optimization scenarios are evaluated, including alternative tool selection strategies, identification of inefficient operating conditions, and early recognition of potentially harmful process behavior. The results indicate that meaningful reductions in machining time and tooling costs could be achieved by improving tool utilization, reducing unnecessary air-cutting and low-efficiency movements, and mitigating abnormal load or force conditions before tool or part failure occurs. Additionally, qualitative improvements in process stability and product quality are inferred through the reduction of unfavorable operating conditions. Although the proposed framework is not validated under real-time industrial deployment, the results demonstrate its potential as a practical decision-support tool for manufacturing environments, highlighting the value of integrated signal analysis and interactive visualization in supporting process optimization and continuous improvement initiatives.; Este trabalho apresenta o desenvolvimento e a avaliação de uma estrutura integrada baseada em dados para análise, visualização e interpretação de informações de processos de usinagem, com o objetivo de apoiar a tomada de decisão relacionada à eficiência de tempo, aos custos de ferramentais e à qualidade do produto. A pesquisa adota uma abordagem metodológica fundamentada no processamento sistemático de dados operacionais provenientes de operações de manufatura, combinando visualização interativa de séries temporais, inspeção no domínio da frequência e módulos analíticos orientados ao desempenho do processo. A estrutura proposta permite a seleção estruturada de operações, a comparação entre sinais brutos e processados e a análise exploratória em diferentes contextos temporais e operacionais. A partir dessas análises, são avaliados cenários de otimização, incluindo estratégias alternativas de seleção de ferramentas, identificação de condições operacionais ineficientes e detecção antecipada de comportamentos potencialmente prejudiciais ao processo. Os resultados indicam que reduções significativas no tempo de usinagem e nos custos associados às ferramentas podem ser obtidas por meio da melhoria do uso das ferramentas, da redução de movimentos improdutivos e da mitigação de condições anômalas de carga e esforço antes da ocorrência de falhas da ferramenta ou da peça. Além disso, infere-se uma melhoria qualitativa na estabilidade do processo e na qualidade do produto. Embora o sistema não tenha sido validado em ambiente industrial em tempo real, os resultados demonstram seu potencial como uma ferramenta de apoio à decisão em contextos de manufatura, reforçando a relevância da análise integrada de sinais e da visualização interativa de dados para iniciativas de otimização e melhoria contínua. TCC (graduação) - Universidade Federal de Santa Catarina, Centro Tecnológico, Engenharia de Controle e Automação. 2026-03-04T00:00:00Z https://repositorio.ufsc.br/handle/123456789/272904 Accelerating Finite Element Simulations with Graph Neural Networks Alves, André Padilha A usinagem de componentes de paredes finas é altamente suscetível a vibrações durante o processo de manufatura, uma vez que a flexibilidade estrutural resulta em vibrações e instabilidade significativas, frequentemente resultando em retrabalho excessivo e perdas de produtividade. Quando se trata de planejamento de processos para essas peças, a estimativa precisa das forças de fresagem e da dinâmica estrutural é fundamental, pois essas variáveis influenciam o comportamento dos modelos tecnológicos usados para a otimização do processo. Com a crescente digitalização da manufatura, esses modelos estão passando progressivamente de protótipos acadêmicos para ambientes CAM industriais, permitindo estratégias de usinagem preditivas e adaptativas. Nesse contexto, o Fraunhofer IPT desenvolveu a estrutura dPart® digital twin, que integra simulações de processos, dados de máquinas e modelos computacionais para dar suporte à tomada de decisões em tempo real. Na prática industrial, a previsão precisa do comportamento dinâmico das peças de trabalho é essencial para o planejamento do processo, o monitoramento e a integração do gêmeo digital. As abordagens existentes dependem muito de simulações repetidas do Método dos Elementos Finitos (FEM), que são precisas, mas computacionalmente caras, demoradas e pouco escalonáveis com o grande número de locais de corte necessários para a avaliação de toda a operação. À medida que a infraestrutura de gêmeos digitais dPart® evolui, essas limitações podem representar um gargalo no futuro. Para superar essas limitações, este trabalho investiga o uso de técnicas de aprendizado de máquina, especificamente redes neurais de grafos (GNNs) como modelos substitutos para a previsão de deformação baseada em FEM. Um conjunto de dados de simulações modais foi gerado no ANSYS, a partir do qual as coordenadas nodais, as condições de contorno e os campos de deformação foram extraídos e convertidos em representações gráficas. Duas arquiteturas foram testadas, sendo elas uma rede convolucional gráfica e uma rede inspirada na MeshGraphNet, ambas projetadas para operar diretamente na conectividade da malha e para aprender padrões de deformação espacial a partir de dados modais. Os modelos substitutos foram treinados para prever campos de deslocamento em nível de nó para o primeiro e o segundo modos de vibração da peça de trabalho. Os resultados demonstram que os modelos propostos são capazes de reproduzir o comportamento de deformação global com um erro percentual relativo médio inferior a 1% para o primeiro modo de deformação. Essas descobertas indicam que os substitutos baseados em GNN são promissores para acelerar a análise de vibração em aplicações de fresamento e podem dar suporte a fluxos de trabalho de monitoramento e planejamento de processos mais eficientes. TCC (graduação) - Universidade Federal de Santa Catarina, Centro Tecnológico, Engenharia de Controle e Automação. 2026-03-04T00:00:00Z https://repositorio.ufsc.br/handle/123456789/272903 Previsão da direção do spread tarifário da tarifa de uso do sistema de distribuição (tusd) utilizando modelos gated recurrent unit (gru) multissérie: uma avaliação da acurácia direcional em cenários regulatórios Souza, João Pedro Dandolini de A previsão de tarifas no setor elétrico brasileiro representa um desafio de alta complexidade, dada a natureza das séries temporais do setor, que são caracterizadas por longos períodos de constância interrompidos por saltos discretos anuais, que são um reflexo direto dos ciclos regulatórios da ANEEL. Este trabalho aborda o desafio de prever o comportamento do spread tarifário, a diferença entre as tarifas da Tarifa de Uso do Sistema de Distribuição (TUSD) nos postos ponta e fora ponta, focando não apenas na previsão da magnitude, mas, de forma mais crítica, na previsão da direção de sua variação, uma métrica de maior relevância para a tomada de decisão. A hipótese central deste trabalho é que, para lidar com a dinâmica complexa e não linear dos dados, modelos de aprendizado profundo são mais adequados que as abordagens estatísticas clássicas. Para validar esta hipótese, foi desenvolvida uma metodologia de pesquisa que partiu da implementação de modelos de referência (ARIMA e uma heurística de tendência) e culminou na proposta de um modelo GRU (Gated Recurrent Unit) multissérie autorregressivo. Esta arquitetura, implementada através do software computacional PyTorch, foi treinada simultaneamente em múltiplos cenários tarifários de diferentes distribuidoras, utilizando embeddings categóricos, que são representações vetoriais de características, para condicionar o comportamento do modelo a cada cenário. O processo de otimização de hiperparâmetros foi conduzido com a ferramenta Optuna, priorizando a maximização da acurácia direcional. A análise dos resultados no conjunto de teste demonstrou a superioridade da abordagem proposta, que alcançou uma acurácia direcional de 68,7%, superando significativamente os modelos de referência ARIMA (54,7%) e de tendência (55,6%). A pesquisa também identificou uma clara relação de compromisso entre a acurácia direcional e o erro de magnitude, validando a escolha metodológica de focar na qualidade decisória do modelo.; Forecasting tariffs in the Brazilian electricity sector represents a highly complex challenge, given the nature of the sector’s time series, which are characterized by long periods of constancy interrupted by discrete annual jumps, which are a direct reflection of ANEEL’s regulatory cycles. This work addresses the challenge of forecasting the behavior of the tariff spread, the difference between the Distribution System Usage Tariffs (TUSD) for peak and off-peak periods, focusing not only on predicting the magnitude but, more critically, on forecasting the direction of its variation, a metric of greater relevance for decision-making. The central hypothesis of this work is that, to handle the complex and non-linear dynamics of the data, deep learning models are more suitable than classical statistical approaches. To validate this hypothesis, a research methodology was developed, starting from the implementation of baseline models (ARIMA and a trend-based heuristic) and culminating in the proposal of a multi-series, autoregressive GRU (Gated Recurrent Unit) model. This architecture, implemented through the PyTorch computational software, was trained simultaneously on multiple tariff scenarios from different distribution companies, using categorical embeddings, which are vector representations of features, to condition the model’s behavior to each scenario. The hyperparameter optimization process was conducted with the Optuna framework, prioritizing the maximization of directional accuracy. The analysis of the results on the test set demonstrated the superiority of the proposed approach, which achieved a directional accuracy of 68.7%, significantly outperforming the ARIMA (54.7%) and trend-based (55.6%) baseline models. The research also identified a clear trade-off between directional accuracy and magnitude error, validating the methodological choice to focus on the model’s decision-making quality TCC (graduação) - Universidade Federal de Santa Catarina, Centro Tecnológico, Engenharia de Controle e Automação. 2026-03-03T00:00:00Z https://repositorio.ufsc.br/handle/123456789/272791 Projeto, Desenvolvimento e Implementação de uma Nova Plataforma de Suporte Técnico de Software para Produtos de Automação Agrícola Alves, Marco Antônio Fernandes Olivier A Hexagon Agriculture, divisão da Hexagon voltada ao desenvolvimento de soluções tecnológicas para o setor agrícola, atua na criação de sistemas embarcados para automação de máquinas, agricultura de precisão, monitoramento operacional e conec- tividade em campo. Inserida em um mercado competitivo e em constante evolução tecnológica, a empresa enfrenta desafios relacionados à crescente complexidade de seus sistemas e à necessidade de garantir confiabilidade e eficiência no suporte às soluções entregues. O crescimento da complexidade dos sistemas de software embar- cados utilizados em soluções de automação agrícola tem ampliado os desafios das equipes de suporte técnico, garantia da qualidade e desenvolvimento, especialmente no diagnóstico e na mitigação de falhas em campo. Esses sistemas operam sob con- dições heterogêneas, com diferentes versões de software, configurações específicas por cliente e conectividade intermitente, o que dificulta a reprodução de problemas e concentra demandas em níveis avançados de suporte, gerando escalonamento ex- cessivo de chamados, multiplicação de issues relacionadas a um mesmo problema e sobrecarga do suporte especializado. Nesse contexto, este trabalho propõe e ana- lisa uma plataforma integrada de suporte técnico e diagnóstico de software, voltada à centralização, padronização e automação controlada de processos recorrentes. A solução organiza ferramentas anteriormente dispersas, permitindo a geração assistida de artefatos de configuração, a coleta estruturada de evidências e o apoio ao diag- nóstico de falhas, sem substituir a análise especializada. O sistema foi desenvolvido com Angular e TypeScript no front-end, Python nos serviços de backend e infraestru- tura como código utilizando Terraform. A arquitetura em nuvem foi implementada na AWS, com uso de funções Lambda, serviços ECS e armazenamento em buckets S3, integrados a ferramentas de versionamento e acompanhamento de problemas. Como resultados, observou-se a redução do esforço associado a tarefas manuais repetitivas, a diminuição da dependência do suporte avançado e a melhoria da padronização e rastreabilidade dos procedimentos de diagnóstico. A plataforma contribui para qualifi- car a investigação de falhas, reduzir gargalos organizacionais e aumentar a eficiência do ecossistema de suporte.; Hexagon Agriculture, a division of Hexagon focused on the development of technologi- cal solutions for the agricultural sector, operates in the creation of embedded systems for machine automation, precision agriculture, operational monitoring, and field con- nectivity. Operating in a competitive and constantly evolving technological market, the company faces challenges related to the increasing complexity of its systems and the need to ensure reliability and efficiency in supporting delivered solutions. The growing complexity of embedded software systems used in agricultural automation solutions has increased the challenges faced by technical support, quality assurance, and develop- ment teams, particularly in failure diagnosis and mitigation in field environments. These systems operate under heterogeneous conditions, including different software versions, client-specific configurations, and intermittent connectivity, which makes problem re- production difficult and concentrates demands at advanced support levels, generating excessive ticket escalation, a growing number of issues related to the same root cause, and overload of specialized support teams. In this context, this work proposes and ana- lyzes an integrated technical support and software diagnostic platform focused on the centralization, standardization, and controlled automation of recurring processes. The solution organizes previously dispersed tools, enabling assisted configuration artifact generation, structured evidence collection, and support for failure diagnosis without re- placing specialized analysis. The system was developed using Angular and TypeScript for the front-end, Python for backend services, and infrastructure as code with Terraform. The cloud architecture was implemented on AWS using Lambda functions, ECS ser- vices, and S3 buckets, integrated with internal version control and issue-tracking tools. As results, a reduction in effort associated with repetitive manual tasks was observed, along with decreased dependence on advanced support and improved standardization and traceability of diagnostic procedures. The platform contributes to enhancing failure investigation, reducing organizational bottlenecks, and increasing the efficiency of the support ecosystem. TCC (graduação) - Universidade Federal de Santa Catarina, Centro Tecnológico, Engenharia de Controle e Automação. 2026-03-05T00:00:00Z