Revisão Integrativa dos métodos de aprendizado de máquina utilizados na predição da qualidade de Solda a Ponto a Resistência

Resumo

Contexto: A soldagem por pontos a resistência ou Resistance Spot Welding (RSW) é uma técnica de soldagem amplamente utilizada para unir componentes feitos de chapas metálicas, como na fabricação de automóveis, caminhões, ônibus, veículos ferroviários, estruturas de aeronaves e aplicações espaciais, com acordo com Messler Jr. e Jou (1996). Especialmente na indústria automotiva, mais de 90% das uniões soldadas da estrutura da carroceria de um carro são realizadas com RSW, havendo um veículo moderno entre 2.000 e 5.000 pontos de solda, segundo Pouranvari e Marashi (2013). Para assegurar a qualidade dos milhares de pontos de solda, são realizadas inspeções amostrais no local de produção, no entanto, essas inspeções são incapazes de identificar imediatamente um defeito assim que ele ocorre, implicando na necessidade de se interromper a linha de produção para realizar o rastreamento do defeito nas peças. Nesse contexto, o uso de técnicas de aprendizado de máquina surge como uma alternativa promissora para a detecção automática de defeitos, a partir da classificação em tempo real de sinais do processo, como a resistência dinâmica, corrente e tempo de soldagem. Objetivo: Investigar e levantar as principais técnicas de aprendizado de máquina aplicáveis à predição da qualidade na soldagem RSW no setor automotivo, com ênfase na utilização de curvas de resistência dinâmicas e outras grandezas elétricas do processo, visando identificar abordagens eficazes para a detecção automática de defeitos. Metodologia: A metodologia adotada seguiu a adaptação de quatro etapas propostas por Whittemore e Knafl (2005): identificação do problema, pesquisa na literatura, análise dos dados e apresentação dos resultados. Durante a etapa 1, (identificação do problema), investigou-se quais as principais técnicas de aprendizado de máquina são aplicadas na predição da qualidade dos pontos de solda a resistência e se são utilizadas curvas de resistência dinâmica como input dos modelos. Na etapa 2, (busca na literatura), foi realizada pesquisa por artigos nas bases: Springer, MDPI, Science direct, Taylor & Francis journal, IPJ, IEEE, IOP e WILEY, utilizando descritores como “Resistance Spot Welding”, “Machine Learning”, “Quality Prediction” e “Dynamic Resistance”, com recorte temporal entre 2015 e 2025. Dessa maneira, 155 artigos foram pré-selecionados, dos quais um total de 60% está alinhado com a proposta deste trabalho. Foram excluídos estudos que não abordavam diretamente a aplicação de aprendizado de máquina na predição da qualidade da solda. Na fase 3, (análise dos dados), considerou-se a relevância temática dos estudos, a extração de informações sobre os algoritmos utilizados, o tamanho dos datasets, as variáveis alvo dos modelos preditivos, as métricas de desempenho utilizadas para os resultados, as variáveis de entrada e se são utilizadas curvas de processo, em especial as curvas de resistência dinâmicas. Na última etapa, na fase 4 (apresentação dos resultados), as informações foram organizadas em uma matriz comparativas e padrões, estratégias e tendências foram sintetizados. Resultados: Observou-se uma predominância de abordagens supervisionadas, com destaque para Redes Neurais Multi-Layer Perceptron (MLP) e Redes Neurais Convolucionais (CNN). Também foi observado que as curvas de resistência dinâmica são as curvas de processo mais utilizadas nos algoritmos de predição, o que concorda com Dickinson et al. (1980) que afirma que elas são capazes de fornecer diversas informações relevantes sobre a qualidade do ponto de solda.  Outras curvas de processo dinâmicas também são observadas como variáveis de entrada, com destaque às curvas de tensão, curvas de deslocamento do eletrodo, curvas de força e curvas de potência. Outra constatação relevante é a de que dentre as métricas de desempenho aplicadas aos problemas de classificação, as mais utilizadas foram: Erro Médio Quadrático (MSE), Acurácia (Acc.) e Recall. Pode-se destacar também que o uso de Seleção de Características através de técnicas como Análise dos Componentes Principais (PCA) tem sido utilizada para redução da dimensionalidade e que é efetiva para evitar overfitting, sobretudo em datasets com número mais reduzido de dados. A Identificação automática de pontos de interesse na curva de resistência dinâmica também contribui para a criação de modelos com menor dimensionalidade, ao passo que em algumas técnicas como a 1D-CNN utilizou-se mecanismo de atenção para classificar curvas de Resistência Dinâmicas brutas sem extração de características. Importantes contribuições no tocante a dados desbalanceados também foram evidenciados como o uso de oversampling além da avaliação de desempenho com métricas específicas para datasets desbalanceados, como a acurácia balanceada, evitando o uso de acurácia simples. Conclusão: Portanto, através da capacidade de reunir e analisar diferentes tipos de estudos, a presente revisão integrativa permitiu uma compreensão ampla e aprofundada sobre a utilização de técnicas de aprendizado de máquina na predição da qualidade de pontos de solda a resistência na indústria automotiva com uso de dados reais de produção, promovendo uma síntese de conhecimento que identifica o que já foi explorado, as lacunas existentes e as direções mais promissoras para pesquisas futuras. Além disso, serve como base prática ao oferecer subsídios fundamentados para a tomada de decisão de pesquisadores durante a seleção dos algoritmos e métricas de desempenho que serão utilizados, a depender do tipo de sinal de entrada, do tipo do modelo e das características do dataset. Sua flexibilidade metodológica permite incluir uma variedade de desenhos de pesquisa, o que é particularmente útil para temas emergentes, como o desta pesquisa, que possui literatura ainda heterogênea. Através dessa revisão integrativa, pôde-se observar que técnicas auxiliares de redução de dimensionalidade como PCA e de identificação de pontos de interesse nas curvas dinâmicas oferecem aumento de robustez dos modelos e que dentre as principais métricas de performance dos modelos, o Erro Médio Quadrático, a Acurácia e o Recall são as mais amplamente utilizadas. Outras métricas adaptadas para avaliação de modelos com dados desbalanceados também foram observadas, como a acurácia balanceada que pode fornecer uma visão mais justa do desempenho do modelo ao considerar igualmente as taxas de acerto para cada classe, independentemente de sua frequência no conjunto de dados.