Abordagens de machine learning aplicadas à manutenção preditiva industrial para a detecção de falhas
Visualizar/ Abrir
Data
2024-03-11Primeiro membro da banca
Garcia, Vinícius Jacques
Segundo membro da banca
Gusmão, Ana Paula Henriques de
Metadata
Mostrar registro completoResumo
As abordagens de inteligência artificial (IA) na manutenção preditiva (PdM) estão mudando a forma como as indústrias gerenciam a manutenção dos equipamentos. Com técnicas de IA como machine learning (ML) e análise de dados em tempo real é possível identificar falhas nos equipamentos de forma precisa e eficiente. No entanto, apesar de um cenário favorável, a implementação da IA ao PdM é um desafio devido à ausência de dados históricos confiáveis dos equipamentos, o desbalanceamento de classe dos datasets e a falta de interpretabilidade das decisões dos modelos. Com isso, a presente pesquisa propõe desenvolver abordagens de IA para o PdM com a finalidade de tornar os dados históricos mais confiáveis, mitigar o desbalanceamento de classe e melhorar a interpretabilidade das decisões do modelo. Para contextualizar o problema, uma revisão de literatura foi desenvolvida e 33 artigos foram selecionados e analisados. Com a análise dos artigos foi verificado que as principais metodologias utilizam um dataset com informações do histórico de funcionamento dos equipamentos e, após o pré-processamento do dataset, algoritmos de IA são utilizados para verificar padrões nos dados. Após a revisão de literatura, para validar as abordagens de IA, um estudo de caso foi realizado utilizando um dataset com dados reais de uma bomba de água. O dataset continha as leituras de sensores e o histórico das condições operacionais da bomba de água. Após análise inicial por meio da Exploratory Data Analysis (EDA), os dados foram pré-processados adotando técnicas como forward fill propagation, normalizer, LabelEncoder, Principal Components Analysis (PCA) e matriz de correlação linear para tornar mais confiáveis. Na sequência, três algoritmos de ML - Random Forest (RF), Support Vector Machine (SVM) e k-Nearest Neighbors (k-NN) - foram adotados para o treinamento do modelo, sendo validado por k-fold Cross-Validation. Para mitigar o desbalanceamento de classe, cinco técnicas de datasampling - Random OverSampling, Borderline SMOTE, TomekLinks, NearMiss e Cluster Centroids - foram adotadas. Além do mais, ajustes de hiperparâmetros foram aplicados, por meio do Grid Search, para otimizar o processo de aprendizagem. Para tornar as decisões do modelo interpretáveis, foram adotados os SHAP values para identificar as principais features que influenciaram a probabilidade de prever as falhas. Assim, os resultados demonstraram que o modelo Random Forest com Cluster Centroids (RF_CC) apresentou melhores resultados de recall e AUC ROC. Além disso, as features que mais contribuíram para a tomada de decisão foram sensor_04, sensor_35 e sensor_33. Concluindo, a pesquisa desenvolveu e avaliou com sucesso abordagens de IA para PdM, demonstrando potencial para melhorar a confiabilidade dos equipamentos e otimizar estratégias de manutenção.
Coleções
Os arquivos de licença a seguir estão associados a este item: