|
Abstract:
|
Este trabalho desenvolve e valida um modelo de aprendizado de máquina para estimar, com precisão operacionalmente relevante, os tempos-padrão de inspeção de um laboratório de metrologia. Para isso, o estudo segue um fluxo de etapas reprodutível, envolvendo curadoria de dados, análise exploratória por correlação, seleção de preditores por abordagem wrapper, comparação sistemática de algoritmos e escolha do modelo para estimar o tempo normal, convertido em tempo-padrão com tolerâncias por máquina. Os tempos estimados são estruturados por recurso e por faixas de complexidade (combinação entre máquina e número de características medidas) em três patamares definidos como percentis de tempo (P50, P75, P95), que podem ser adotados como níveis de serviço conforme o risco de atraso aceitável. Uma análise complementar de regras de associação identifica combinações de máquina, tipo de inspeção e condições do processa mais associadas a alongamentos de tempo, apoiando ações de melhoria e o sequenciamento de inspeções mais críticas. Os resultados demonstram que é possível estimar tempos-padrão diretamente utilizáveis no planejamento de capacidade, no sequenciamento e na gestão de filas, inclusive em ambientes com medição automática limitada, oferecendo um método auditável e transferível para outras operações de apoio à produção. |
