Publication
Manutenção preditiva em máquinas industriais: desenvolvimento modelos de aprendizagem computacional em Python
| dc.contributor.advisor | Leite, Joana Jorge de Queiroz | |
| dc.contributor.author | Almeida, Fernando Manuel Santos | |
| dc.date.accessioned | 2025-01-06T09:05:22Z | |
| dc.date.available | 2025-01-06T09:05:22Z | |
| dc.date.issued | 2024-12-06 | |
| dc.description.abstract | 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. | pt_PT |
| dc.identifier.tid | 203779894 | pt_PT |
| dc.identifier.uri | http://hdl.handle.net/10400.26/53447 | |
| dc.language.iso | por | pt_PT |
| dc.subject | Manutenção preditiva | pt_PT |
| dc.subject | RUL | pt_PT |
| dc.subject | Aprendizagem computacional | pt_PT |
| dc.subject | Random forest | pt_PT |
| dc.subject | XGBoost | pt_PT |
| dc.title | Manutenção preditiva em máquinas industriais: desenvolvimento modelos de aprendizagem computacional em Python | pt_PT |
| dc.type | master thesis | |
| dspace.entity.type | Publication | |
| rcaap.rights | openAccess | pt_PT |
| rcaap.type | masterThesis | pt_PT |