Um estudo comparativo e aplicado de técnicas de machine learning e de features para modelos de previsão de parada de equipamentos em processos de manutenção preditiva

Página do item simplificado
dc.contributor.advisorVallim Filho, Arnaldo Rabello de Aguiar
dc.contributor.authorVenites, Victor de Oliveira
dc.date.accessioned2025-03-21T11:07:06Z
dc.date.available2025-03-21T11:07:06Z
dc.date.issued2023-08-02
dc.description.abstractEsta pesquisa vai seguir o padrão de abordagem da Ciência de Dados explorando bases de dados, no sentido de buscar compor um processo de benchmarking de atributos e de técnicas de Machine Learning (ML) para apoio à Manutenção Preditiva de Máquinas Industriais. O objetivo geral é a exploração de técnicas de Feature Engineering tendo por base os dados históricos (séries temporais) de estados conhecidos de máquinas industriais, que neste estudo são classificados em cinco tipos denominados: Run, Setup, Down, Standby e Offline. Com base em características temporais criadas, buscou-se construir e comparar uma pipeline de modelos de ML conhecidos na literatura, buscando como resultado esperado previsões do momento de quebra de uma máquina, e medindo-se a performance dos modelos pelas métricas de acurácia. As séries temporais tem a característica de se trabalhar partindo apenas das observações anteriores para prever as futuras, por tanto, bases de dados com apenas duas colunas como o histórico dos estados e data/hora já são o suficiente para um estudo de modelagem. Os resultados obtidos foram promissores. E, do ponto de vista prático, com a previsão dos momentos de quebras e/ou paradas indesejadas de equipamentos, a indústria pode economizar nos gastos, diminuindo a manutenção corretiva e preventiva. Portanto, otimizando a operação na produção máxima possível.
dc.identifier.urihttps://dspace.mackenzie.br/handle/10899/40271
dc.language.isopt_BR
dc.language.isoen
dc.publisherUniversidade Presbiteriana Mackenzie
dc.publisher.countryBrasil
dc.publisher.initialsUPM
dc.subjectmanutenção preditiva
dc.subjectengenharia de atributos
dc.subjectaprendizado de máquina
dc.subjectséries temporais
dc.titleUm estudo comparativo e aplicado de técnicas de machine learning e de features para modelos de previsão de parada de equipamentos em processos de manutenção preditiva
dc.typeDissertação
local.contributor.advisorLatteshttp://lattes.cnpq.br/2511892257148568
local.contributor.authorLatteshttp://lattes.cnpq.br/2276290188809303
local.contributor.board1Silva, Leandro Augusto da
local.contributor.board1Latteshttp://lattes.cnpq.br/1396385111251741
local.contributor.board1Orcidhttps://orcid.org/0000-0002-8671-3102
local.contributor.board2Zerbinatti, Leandro
local.contributor.board2Latteshttp://lattes.cnpq.br/5329693874687346
local.contributor.board3Lopes, Fábio Silva
local.contributor.board3Latteshttp://lattes.cnpq.br/2302666201616083
local.contributor.board3Orcidhttps://orcid.org/0000-0001-8274-7682
local.contributor.board4Pereira, Celso Alves
local.contributor.board4Latteshttp://lattes.cnpq.br/1555592161015327
local.description.abstractenThis research will follow the standard Data Science approach, exploring databases, in the sense of seeking to compose a benchmarking process of attributes and Machine Learning (ML) techniques to support the Predictive Maintenance of Industrial Machines. The general objective is the exploration of Feature Engineering techniques based on historical data (time series) of known states on industrial machines, which in this study are classified into five types called: Run, Setup, Down, Standby and Offline. Based on created temporal characteristics, sought to build and compare a pipeline of ML models known in the literature, seeking as expected results predictions on the moment of a machine breakdown, and measuring the performance of the models by the accuracy metrics. Time series have the characteristic of working starting only from previous observations to predict future ones, therefore, databases with only two columns such as state history and date/time are enough for a modeling study. The results obtained were promising. And, from a practical point of view, with the prediction of moments of breakdowns and/or unwanted stops of equipment, the industry can save on expenses, reducing corrective and preventive maintenance. Therefore, optimizing the operation at the maximum possible production.
local.keywordspredictive maintenance
local.keywordsfeature engineering
local.keywordsmachine learning
local.keywordstime series
local.publisher.departmentFaculdade de Computação e Informática (FCI)
local.publisher.programComputação Aplicada
local.subject.cnpqCNPQ::CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO
Arquivos
Pacote Original
Agora exibindo 1 - 1 de 1
Imagem de Miniatura
Nome:
VICTOR DE OLIVEIRA VENITES_TCM - VERSÃO FINAL - protegdo.pdf
Tamanho:
1.18 MB
Formato:
Adobe Portable Document Format
Descrição:
Baixar
Licença do Pacote
Agora exibindo 1 - 1 de 1
Imagem de Miniatura
Nome:
license.txt
Tamanho:
2.22 KB
Formato:
Item-specific license agreed upon to submission
Descrição:
Baixar
Coleções
Computação Aplicada (Mestrado Profissional) - Dissertações - FCI Higienópolis