Mestrado Profissional Interdisciplinar em Inovação Tecnológica

URI Permanente para esta coleção

https://hdl.handle.net/11600/61097

Navegar

Navegando Mestrado Profissional Interdisciplinar em Inovação Tecnológica por Autor "Acayaba, Gabriel Medrado Assis [UNIFESP]"

Agora exibindo 1 - 1 de 1
  • Imagem de Miniatura
    Item
    Acesso aberto (Open Access)
    Proposal for a new approach to forecast spare parts demand
    (Universidade Federal de São Paulo, 2021-08-03) Acayaba, Gabriel Medrado Assis [UNIFESP]; Oliveira, Tiago de [UNIFESP]; Sato, Renato Cesar [UNIFESP]; http://lattes.cnpq.br/6095929487408447; http://lattes.cnpq.br/8390665307472965; http://lattes.cnpq.br/1873663378106030
    A previsão de peças de reposição para apoiar as operações de manutenção é essencial para garantir a disponibilidade dos mais diversos serviços. Este documento tem como objetivo investigar quais técnicas têm sido propostas para prever a demanda por peças de reposição, bem como em que medida essas técnicas foram validadas em ambientes industriais. O documento também visa desenvolver uma nova metodologia de previsão de peças de reposição por meio da seleção ou combinação de técnicas de previsão. Primeiramente, conduzimos uma Revisão Sistemática da Literatura sobre o tema de Previsão de Demanda de Peças de Reposição. As principais conclusões da revisão são de que falta um estudo comparativo quanto ao desempenho entre as técnicas analisadas e que muitos estudos ainda lutam com a necessidade de grandes volumes de dados e grandes conjuntos de variáveis. O presente estudo baseia-se nessas lacunas e implementa um algoritmo de meta-aprendizagem. Uma base de dados real de demanda de peças de reposição do setor aeroespacial é usada como entrada para um Classificador Random Forest para selecionar entre os modelos Random Walk, Theta, ARIMA, Exponential Smoothing e Neural Network para prever a demanda e calcular as combinações de previsão. Os novos métodos são então comparados com métodos convencionais e com um software de uso comprovado pela indústria. A metodologia de previsão de meta-aprendizado proposta mostra-se uma opção válida e competitiva para prever a demanda de peças de reposição e apresenta bons resultados quando comparada aos métodos convencionais de previsão e também quando comparada a uma solução comprovada usada pela indústria que possui seu próprio algoritmo de seleção de métodos de previsão. As previsões de combinação linear ponderada mostraram bons resultados gerais e conseguiram melhorar a precisão média das previsões. Finalmente, uma aplicação web simples foi desenvolvida como uma prova de conceito para uso industrial.