XGBOOST APLICADO NA REGRESSÃO DE DADOS DE ROLAMENTOS AUTOMOTIVOS
INTRODUÇÃO: A busca pela fabricação de veículos automotivos mais eficientes e seguros é de importância crucial na indústria automobilística, demandando um alto nível de qualidade em todas as suas peças. Isso inclui, de maneira central, os rolamentos automotivos, que são o foco desta pesquisa, pois desempenham um papel essencial na redução do atrito e no suporte às cargas dos principais componentes do veículo, como o motor, a transmissão e as rodas. A detecção de padrões de falhas em conjuntos de dados extensos pode ser eficazmente realizada por meio de técnicas de aprendizado de máquina. A aplicação do algoritmo XGBoost tem como objetivo a redução do erro médio quadrático (RMSE) do modelo, contribuindo assim para aprimorar a eficiência e segurança dos veículos. OBJETIVOS: O projeto visa aplicar o XGBoost para analisar características de rolamentos automotivos com base em dados coletados durante a operação. Os objetivos incluem organizar os dados, realizar análises exploratórias para identificar padrões, aplicar o modelo XGBoost, otimizar seus hiperparâmetros e avaliar a precisão da regressão através de métricas estatísticas. MATERIAIS E MÉTODO: Foi realizada uma análise sistemática abrangente da literatura para aprofundar a compreensão de cada modelo empregado. Processamento e análise dos dados de acordo com os modelos propostos. Para a análise e implementação foi utilizado a linguagem de programação Python por meio da biblioteca Pandas e Scikit-learn para os modelos e plot’s. RESULTADOS: Dos resultados finais foram extraídos os ruídos a partir das correlações e perfis de cada saída para as entradas relativas. Os resultados finais mostraram melhorias significativas na precisão do modelo XGBoost após a otimização dos hiperparâmetros, com reduções notáveis no erro quadrático médio (MSE). As correlações identificadas proporcionaram insights valiosos sobre as relações entre variáveis. CONSIDERAÇÕES FINAIS: A comparação dos valores estimados e reais demonstrou uma alta fidelidade do modelo aos dados reais, validando a eficácia do XGBoost na análise de rolamentos automotivos.
PALAVRAS-CHAVE: Rolamentos automotivos; Regressão linear; XGBoost; Linguagem Python