Loading...
Publication
Manutenção preditiva em máquinas industriais: desenvolvimento modelos de aprendizagem computacional em Python
| Name: | Description: | Size: | Format: | |
|---|---|---|---|---|
| 3.46 MB | Adobe PDF |
Authors
Advisor(s)
Abstract(s)
Na Indústria 4.0, a utilização de dados e tecnologia é essencial para otimizar a eficiência e a
qualidade dos processos produtivos, fortalecendo a competitividade e a sustentabilidade das
operações. A SINMETRO, através do ACCEPT, uma ferramenta poderosa na Indústria 4.0,
integra módulos que oferecem análises estatísticas avançadas em tempo real, assegurando a
eficácia da produção e a qualidade dos produtos. Este sistema, apesar de essencial no cálculo
do indicador OEE (Overall Equipment Effectiveness), não antecipa os fatores que afetam
este indicador, o que dificulta a implementação de melhorias. A principal causa de perda no
OEE é a disponibilidade, que é muitas vezes afetada por paragens não planeadas devido a
avarias, evidenciando a necessidade de uma solução de manutenção eficiente.
A manutenção preditiva é uma estratégia que utiliza dados de sensores e técnicas de análise
para prever falhas em equipamentos antes que ocorram, permitindo intervenções de
manutenção assertivas, reduzindo os custos para aumentar a competitividade das empresas.
A antecipação deste tipo de falhas pode ser feita através da previsão do RUL (Remaining
Useful Life), um indicador fundamental na manutenção preditiva. A aplicação desta
estratégia de manutenção permite aumentar a fiabilidade dos sistemas industriais ou
mecânicos e segurança e, ao mesmo tempo, reduzir o custo de manutenção.
Assim, foi desenvolvida uma solução de manutenção preditiva baseada no RUL, capaz de
antecipar falhas ou paragens dos equipamentos, aplicável a diferentes máquinas e empresas,
tendo sido aplicados dois algoritmos, Random Forest e XGBoost, com o XGBoost a
apresentar os melhores resultados. Reduzindo a variabilidade do RUL, foi possível obter
melhorias nos resultados tendo em conta a sua aplicação em dados reais. Foi ainda possível
recolher um conjunto de sugestões para aumentar a qualidade dos dados. Verificou-se que,
sem dados de sensores num modelo de manutenção preditiva, esse modelo dificilmente
conseguirá prever o RUL de forma eficaz.
Description
Keywords
Manutenção preditiva RUL Aprendizagem computacional Random forest XGBoost