Docente do Colegiado de Engenharia de Produção da Universidade Federal do Vale do São Francisco (UNIVASF) e avaliadora do sistema nacional de avaliação do ensino superior do Ministério da Educação (MEC/INEP). Doutora em Engenharia Industrial pela Universidade Federal da Bahia (UFBA). Mestre em Engenharia Mecânica [2008 - Universidade Federal de Pernambuco - UFPE]. Engenheira de produção mecânica [2004 - Faculdades Integradas Ipitanga em parceria com o SENAI] e Técnica em refrigeração e ar condicionado [1998 - CEFET/PE]. Atuou como Analista de Processos Tecnológicos no SENAI-CIMATEC (Centro Integrado de Manufatura e Tecnologia) no Setor de Gestão da Produção/Logística como Docente em cursos de Tecnologia e Engenharias, além de consultorias para organizações industriais. Atuou como Engenheira de Produção na Indústria e Gerente de Fábrica. Atuou também como Coordenadora/Supervisora de Manutenção em Empresas de Engenharia. Tem experiência na área de Engenharia de Produção e Engenharia Mecânica, com ênfase em Gestão da Produção, Qualidade, Produtividade e Engenharia de Manutenção.
Vale do São Francisco Federal University – UNIVASF, Petrolina, PE, Brazil.
Doutorado em engenharia agrícola [2013 - Universidade Estadual de Campinas - UNICAMP] Mestrado em engenharia mecânica [2008 - Universidade Federal de Pernambuco - UFPE] Engenheiro de produção mecânica [2003 - Faculdades Integradas Ipitanga em parceria com o SENAI]. Técnico em refrigeração e ar condicionado [1994 - Escola Técnica Federal de Pernambuco].
Vale do São Francisco Federal University – UNIVASF, Petrolina, PE, Brazil.
Concerning asset maintenance, it is known that forecasting demand for replacement parts is an important condition for inventory management, aiming to reduce costs and avoid product obsolescence. Predictive methods with higher accuracy are fundamental in this context, facing the lack of parts and overstocking. Thus, the present work aims to evaluate the performance of an artificial neural network in predicting the demand for spare parts in the tractor maintenance sector. To this end, the analysis of the average absolute percentage errors of the prediction was used as an evaluation and monitoring method. In order to reach the proposed objective, the study first addressed the main theoretical aspects related to inventory management and demand forecasting methods. Subsequently, the Elman networks were selected, and, regarding the selection of parts for analysis, inventory management tools were used to explore important items for the sector. The proposed methodology showed that the neural networks have a good application for the context in question because, in addition to presenting configurations with acceptable errors, the network often hits the peaks of higher and lower demands, an important analysis for inventory management.