Publication
Manutenção preditiva de equipamentos de eletromecânica médica : caso de estudo
| dc.contributor.advisor | Coutinho, Fernanda Madureira | |
| dc.contributor.author | Silva, João Filipe Abreu | |
| dc.date.accessioned | 2024-08-29T10:22:48Z | |
| dc.date.available | 2024-08-29T10:22:48Z | |
| dc.date.issued | 2024-04-08 | |
| dc.description.abstract | As autoclaves são um dos pilares dos procedimentos de reprocessamento em ambientes clínicos; sem elas, não haveria procedimentos "seguros". Como tal, devem ser consideradas como uma pedra angular em todos os hospitais modernos. Para manter um conjunto mais exigente de padrões exigidos pela legislação e indústrias modernas, deveria haver uma tentativa de modernizar os procedimentos de esterilização e os equipamentos. Embora tenha ocorrido uma modernização nas máquinas mais recentes de lavagem e desinfeção, os autoclaves foram deixados para trás nesse processo. A indústria moderna está numa fase em que existem conjuntos muito avançados de ferramentas para auxiliar na gestão e planeamento de manutenção, rastreando o uso desse tipo de equipamento. Na indústria 4.0, é comum ver a Inteligência Artificial (AI) sendo usada para auxiliar em tarefas mais complexas. Como tal, neste trabalho, propomos um sistema modernizado para rastrear e prever falhas em um autoclave.Isso será alcançado propondo um método de recuperação de dados para alimentar o modelo de IA e propondo um conjunto de diretrizes técnicas para essa máquina, para que o modelo de IA possa avaliar o estado atual da máquina e prever o declínio desse estado ao longo de um certo período de tempo. Isso deve ser equivalente a um modelo de classificação onde usamos principalmente dados provenientes do equipamento em questão ou de sensores adicionais que podem ser implementados exclusivamente para uso neste sistema. No entanto, a abordagem padrão dependerá do uso de um tipo muito específico de dados que podem ser coletados dos autoclaves, as curvas de esterilização. Com essas curvas, o classificador poderia avaliar e prever o comportamento de quase qualquer autoclave, independentemente da marca ou modelo.Também será proposto o uso de modelos de dinâmica de fluidos computacionais para estabelecer um comportamento padrão ideal e, possivelmente, fornecer falhas ao modelo de previsão, pois há uma clara falta de dados para essas máquinas. A combinação de todas essas propostas resultará em um sistema de manutenção preditiva assistida por IA capaz de manter um histórico de dados de uso, o que é altamente recomendado para certificações, e que pode ser uma ferramenta fundamental para a construção de um plano de manutenção mais eficiente e confiável. Sistemas como esse poderiam ser um grande passo na modernização das RUMED's e, no futuro, na modernização de todo o serviço de manutenção do hospital, fortalecendo toda a infraestrutura como um todo. | pt_PT |
| dc.identifier.tid | 203613449 | pt_PT |
| dc.identifier.uri | http://hdl.handle.net/10400.26/51948 | |
| dc.language.iso | por | pt_PT |
| dc.subject | Manutenção | pt_PT |
| dc.subject | Manutenção preditiva | pt_PT |
| dc.subject | Hospital | pt_PT |
| dc.subject | RUMED | pt_PT |
| dc.subject | Autoclave | pt_PT |
| dc.subject | Machine learning | pt_PT |
| dc.title | Manutenção preditiva de equipamentos de eletromecânica médica : caso de estudo | pt_PT |
| dc.type | master thesis | |
| dspace.entity.type | Publication | |
| rcaap.rights | openAccess | pt_PT |
| rcaap.type | masterThesis | pt_PT |