Machine learning aplicado à gestão de activos físicos industriais

Detalhes bibliográficos
Autor(a) principal: Matos, Gonçalo Ribeiro de
Data de Publicação: 2021
Tipo de documento: Dissertação
Idioma: por
Título da fonte: Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)
Texto Completo: http://hdl.handle.net/10400.21/13524
Resumo: Trabalho final de mestrado para obtenção do grau de Mestre em Engenharia Mecânica
id RCAP_2bc49b734d144523fd9d8988829365e2
oai_identifier_str oai:repositorio.ipl.pt:10400.21/13524
network_acronym_str RCAP
network_name_str Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)
repository_id_str 7160
spelling Machine learning aplicado à gestão de activos físicos industriaisMachine learningSupport vector machinesGestão de activosAsset managementManutençãoMaintenanceAprendizagem automáticaAutomatic learningRegressãoRegressionClassificaçãoClassificationVida útil restanteRemaining useful lifeRegressão linearLinear regressionTrabalho final de mestrado para obtenção do grau de Mestre em Engenharia MecânicaCom o rápido avanço da tecnologia moderna em todas as áreas, incluindo a industrial, torna-se necessário e útil a utilização de novas metodologias para a optimização e aprendizagem automática de processos básicos e comuns à maioria das empresas, como produção, manutenção e gestão de activos. O objectivo deste Trabalho Final de Mestrado é entender o que é o Machine Learning, quais os seus conceitos e diferentes tipos e a sua aplicação num contexto industrial, na gestão de activos físicos. Neste trabalho são apresentados os conceitos básicos de Machine Learning, os seus tipos (Supervisionados – regressão ou classificação e Não supervisionados – Clustering) e descritos alguns algoritmos de cada tipo, como Regressão Linear, Redes Neuronais Artificiais ou Support Vector Machines. Após aquisição de conhecimentos, é realizado um estudo de caso a um dataset existente no repositório de dados para prognóstico (PCoE – Prognostics Center of Excellence) da NASA. O objectivo deste estudo de caso estipula a previsão da vida útil restante (RUL – Remaining Useful Life) de uma frota de motores do mesmo tipo e perceber o quão perto estão do fim da sua vida, baseado nas condições de trabalho e leitura de sensores. O conjunto de dados é abordado de duas formas distintas, como um problema de regressão e um problema de classificação. É aplicado um algoritmo de regressão (Regressão Linear Múltipla) de forma a tentar prever de forma exacta o RUL e um algoritmo de classificação (SVM - Support Vector Machines) de forma a classificar por classes o tempo de vida útil restante de cada motor. Com os resultados obtidos através da aplicação do algoritmo SVM, é possível prever com uma precisão acima de 90% os motores que se encontram em fim de vida (com um RUL inferior a 50 ciclos) e, desta forma, agendar uma acção de manutenção para os mesmos.With the fast progress of modern technology in all areas, including industrial area, it becomes necessary and useful to use new methodologies for the optimization and automatic learning of basic processes common to most companies, such as production, maintenance and asset management. The aim of this Master's Final Work is to understand what Machine Learning is, what its concepts and different types are and its application in an industrial context, in the management of physical assets. In this work the basic concepts of Machine Learning are presented, its types (Supervised - regression or classification and Unsupervised - Clustering) and some algorithms of each type are described, such as Linear Regression, Artificial Neural Networks or Support Vector Machines. After acquiring knowledge, a case study is performed on an existing dataset in NASA's Prognostics Center of Excellence (PCoE) data repository. The objective of this case study is to predict the RUL (Remaining Useful Life) of a fleet of engines of the same type and to understand how close they are to the end of their life, based on operating conditions and sensor reading. The data set is approached in two distinct ways, as a regression problem and a classification problem. A regression algorithm (Multiple Linear Regression) is applied in order to try to predict exactly the RUL and a classification algorithm (SVM - Support Vector Machines) in order to classify by classes the remaining lifetime of each engine. With the results obtained through the application of the SVM algorithm, it is possible to predict with an accuracy above 90% the motors that are at the end of their life (with a RUL of less than 50 cycles) and thus schedule an maintenance action for them.Instituto Superior de Engenharia de LisboaSobral, José Augusto da SilvaRCIPLMatos, Gonçalo Ribeiro de2021-07-07T15:54:26Z2021-05-062021-05-06T00:00:00Zinfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisapplication/pdfhttp://hdl.handle.net/10400.21/13524TID:202737276porMATOS, Gonçalo Ribeiro de - Machine learning aplicado à gestão de activos físicos industriais. Lisboa: Instituto Superior de Engenharia de Lisboa, 2021. Dissertação de mestrado.info:eu-repo/semantics/openAccessreponame:Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)instname:Agência para a Sociedade do Conhecimento (UMIC) - FCT - Sociedade da Informaçãoinstacron:RCAAP2023-08-03T10:08:24Zoai:repositorio.ipl.pt:10400.21/13524Portal AgregadorONGhttps://www.rcaap.pt/oai/openaireopendoar:71602024-03-19T20:21:27.425317Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos) - Agência para a Sociedade do Conhecimento (UMIC) - FCT - Sociedade da Informaçãofalse
dc.title.none.fl_str_mv Machine learning aplicado à gestão de activos físicos industriais
title Machine learning aplicado à gestão de activos físicos industriais
spellingShingle Machine learning aplicado à gestão de activos físicos industriais
Matos, Gonçalo Ribeiro de
Machine learning
Support vector machines
Gestão de activos
Asset management
Manutenção
Maintenance
Aprendizagem automática
Automatic learning
Regressão
Regression
Classificação
Classification
Vida útil restante
Remaining useful life
Regressão linear
Linear regression
title_short Machine learning aplicado à gestão de activos físicos industriais
title_full Machine learning aplicado à gestão de activos físicos industriais
title_fullStr Machine learning aplicado à gestão de activos físicos industriais
title_full_unstemmed Machine learning aplicado à gestão de activos físicos industriais
title_sort Machine learning aplicado à gestão de activos físicos industriais
author Matos, Gonçalo Ribeiro de
author_facet Matos, Gonçalo Ribeiro de
author_role author
dc.contributor.none.fl_str_mv Sobral, José Augusto da Silva
RCIPL
dc.contributor.author.fl_str_mv Matos, Gonçalo Ribeiro de
dc.subject.por.fl_str_mv Machine learning
Support vector machines
Gestão de activos
Asset management
Manutenção
Maintenance
Aprendizagem automática
Automatic learning
Regressão
Regression
Classificação
Classification
Vida útil restante
Remaining useful life
Regressão linear
Linear regression
topic Machine learning
Support vector machines
Gestão de activos
Asset management
Manutenção
Maintenance
Aprendizagem automática
Automatic learning
Regressão
Regression
Classificação
Classification
Vida útil restante
Remaining useful life
Regressão linear
Linear regression
description Trabalho final de mestrado para obtenção do grau de Mestre em Engenharia Mecânica
publishDate 2021
dc.date.none.fl_str_mv 2021-07-07T15:54:26Z
2021-05-06
2021-05-06T00:00:00Z
dc.type.status.fl_str_mv info:eu-repo/semantics/publishedVersion
dc.type.driver.fl_str_mv info:eu-repo/semantics/masterThesis
format masterThesis
status_str publishedVersion
dc.identifier.uri.fl_str_mv http://hdl.handle.net/10400.21/13524
TID:202737276
url http://hdl.handle.net/10400.21/13524
identifier_str_mv TID:202737276
dc.language.iso.fl_str_mv por
language por
dc.relation.none.fl_str_mv MATOS, Gonçalo Ribeiro de - Machine learning aplicado à gestão de activos físicos industriais. Lisboa: Instituto Superior de Engenharia de Lisboa, 2021. Dissertação de mestrado.
dc.rights.driver.fl_str_mv info:eu-repo/semantics/openAccess
eu_rights_str_mv openAccess
dc.format.none.fl_str_mv application/pdf
dc.publisher.none.fl_str_mv Instituto Superior de Engenharia de Lisboa
publisher.none.fl_str_mv Instituto Superior de Engenharia de Lisboa
dc.source.none.fl_str_mv reponame:Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)
instname:Agência para a Sociedade do Conhecimento (UMIC) - FCT - Sociedade da Informação
instacron:RCAAP
instname_str Agência para a Sociedade do Conhecimento (UMIC) - FCT - Sociedade da Informação
instacron_str RCAAP
institution RCAAP
reponame_str Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)
collection Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)
repository.name.fl_str_mv Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos) - Agência para a Sociedade do Conhecimento (UMIC) - FCT - Sociedade da Informação
repository.mail.fl_str_mv
_version_ 1817552450282848256

Registros relacionados