%0 Journal Article
%T Sele  o de vari¨¢veis para classifica  o de bateladas produtivas com base em m¨²ltiplos crit¨¦rios A multiple criteria-based method for variable selection in industrial applications
%A Michel Jos¨¦ Anzanello
%J Produ£¿£¿o
%D 2013
%I Associa??o Brasileira de Engenharia de Produ??o (ABEPRO)
%X Processos industriais s o frequentemente descritos por um elevado n¨²mero de vari¨¢veis correlacionadas e ruidosas. Este artigo apresenta um m¨¦todo para sele  o das vari¨¢veis mais relevantes para classifica  o de bateladas de produ  o valendo-se de m¨²ltiplos crit¨¦rios de desempenho (sensibilidade e especificidade). As bateladas s o categorizadas em duas classes (conforme ou n o conforme, por exemplo). O m¨¦todo utiliza a regress o PLS (Partial Least Squares) para derivar um ¨ªndice de importancia das vari¨¢veis de processo. Um procedimento iterativo de classifica  o das bateladas e elimina  o das vari¨¢veis ¨¦ ent o conduzido. Por fim, uma medida de distancia euclidiana ponderada ¨¦ aplicada para selecionar o melhor subconjunto de vari¨¢veis. Ao ser aplicado em dados de processos industriais, o m¨¦todo proposto reteve, em m¨¦dia, 12% das vari¨¢veis originais, elevando a sensibilidade em 9%, de 0,78 para 0,85, e a especificidade em 20%, de 0,64 para 0,77. Estudos de simula  o permitiram avaliar o desempenho do m¨¦todo frente a cen¨¢rios distintos. Several correlated and noisy variable are collected from industrial processes. This paper proposes a method for selecting the most relevant process variables aimed at classifying production batches into classes based on multiple criteria (e.g., sensibility and specificity). Production batches are inserted into two classes. The method first applies the PLS regression (Partial Least Squares) on process data and derives a variable importance index. A classification/elimination procedure is then carried out, and a weighted Euclidian distance is generated to identify the recommended variable subset. When applied to the testing set of real industrial data, the proposed method retained average 12% of original variables. The recommended subsets yielded 9% higher sensibility, from 0.78 to 0.85, and 20% higher specificity, from 0.64 to 0.77. Simulation experiments are also performed.
%K Sele  o de vari¨¢veis
%K M¨²ltiplos crit¨¦rios
%K Regress o PLS
%K Variable selection
%K Multiple criteria
%K PLS regression
%U http://www.scielo.br/scielo.php?script=sci_arttext&pid=S0103-65132013005000001