Uma Abordagem para Manutenção Preditiva baseada em Sistemas Multiagente e Machine Learning
Autor(a) principal: | |
---|---|
Data de Publicação: | 2020 |
Tipo de documento: | Dissertação |
Idioma: | por |
Título da fonte: | Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos) |
Texto Completo: | http://hdl.handle.net/10362/108614 |
Resumo: | Nos dias de hoje onde a tecnologia está em constante evolução, surge a necessidade de os sistemas industriais se adaptarem às alterações do mercado, de modo a fazer frente às necessidades de um mercado cada vez mais competitivo e global. No seguimento da evolução da tecnologia e dos desenvolvimentos recentes que resultaram numa maior disponibilidade dos sistemas de aquisição de dados e redes de computadores, a natureza competitiva da indústria atual força os sistemas de manufatura a avançar para a implementação de metodologias de alta tecnologia, possibilitando a estes sistemas uma maior flexibilidade e robustez ao lidar com situações inesperadas. A Manutenção Preditiva é a primeira grande quebra de paradigma na manutenção, intensificando-se cada vez mais, quanto maior o desenvolvimento tecnológico. Esta solução, é considerada como a mais fiável sob o ponto de vista de produção, na medida que monitoriza o equipamento e/ou sistema, agindo quando necessário. No entanto, toda a tecnologia inerente a este tipo de manutenção ainda precisa de intervenção humana, pois, embora os equipamentos/sistemas já possam detetar as falhas, estes não se auto-reparam, necessitando da intervenção do homem para efetuar o reparo. O trabalho desenvolvido na presente dissertação de mestrado consiste no estudo, de como integrar Machine Learning em sistemas ciber-físicos baseados em agentes e utilizando serviços. |
id |
RCAP_66807018338de4aab59e1d60d829ee97 |
---|---|
oai_identifier_str |
oai:run.unl.pt:10362/108614 |
network_acronym_str |
RCAP |
network_name_str |
Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos) |
repository_id_str |
7160 |
spelling |
Uma Abordagem para Manutenção Preditiva baseada em Sistemas Multiagente e Machine LearningManutenção PreditivaSistemas MultiagenteSistemas Ciber-FísicosIndústria 4.0Análise de DadosDomínio/Área Científica::Engenharia e Tecnologia::Engenharia Eletrotécnica, Eletrónica e InformáticaNos dias de hoje onde a tecnologia está em constante evolução, surge a necessidade de os sistemas industriais se adaptarem às alterações do mercado, de modo a fazer frente às necessidades de um mercado cada vez mais competitivo e global. No seguimento da evolução da tecnologia e dos desenvolvimentos recentes que resultaram numa maior disponibilidade dos sistemas de aquisição de dados e redes de computadores, a natureza competitiva da indústria atual força os sistemas de manufatura a avançar para a implementação de metodologias de alta tecnologia, possibilitando a estes sistemas uma maior flexibilidade e robustez ao lidar com situações inesperadas. A Manutenção Preditiva é a primeira grande quebra de paradigma na manutenção, intensificando-se cada vez mais, quanto maior o desenvolvimento tecnológico. Esta solução, é considerada como a mais fiável sob o ponto de vista de produção, na medida que monitoriza o equipamento e/ou sistema, agindo quando necessário. No entanto, toda a tecnologia inerente a este tipo de manutenção ainda precisa de intervenção humana, pois, embora os equipamentos/sistemas já possam detetar as falhas, estes não se auto-reparam, necessitando da intervenção do homem para efetuar o reparo. O trabalho desenvolvido na presente dissertação de mestrado consiste no estudo, de como integrar Machine Learning em sistemas ciber-físicos baseados em agentes e utilizando serviços.Oliveira, JoséPeres, RicardoRUNFernandes, Diogo Filipe Faria Duarte2020-12-14T15:30:41Z2020-0720202020-07-01T00:00:00Zinfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisapplication/pdfhttp://hdl.handle.net/10362/108614porinfo: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:RCAAP2024-03-11T04:53:03Zoai:run.unl.pt:10362/108614Portal AgregadorONGhttps://www.rcaap.pt/oai/openaireopendoar:71602024-03-20T03:41:12.498048Repositório 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 |
Uma Abordagem para Manutenção Preditiva baseada em Sistemas Multiagente e Machine Learning |
title |
Uma Abordagem para Manutenção Preditiva baseada em Sistemas Multiagente e Machine Learning |
spellingShingle |
Uma Abordagem para Manutenção Preditiva baseada em Sistemas Multiagente e Machine Learning Fernandes, Diogo Filipe Faria Duarte Manutenção Preditiva Sistemas Multiagente Sistemas Ciber-Físicos Indústria 4.0 Análise de Dados Domínio/Área Científica::Engenharia e Tecnologia::Engenharia Eletrotécnica, Eletrónica e Informática |
title_short |
Uma Abordagem para Manutenção Preditiva baseada em Sistemas Multiagente e Machine Learning |
title_full |
Uma Abordagem para Manutenção Preditiva baseada em Sistemas Multiagente e Machine Learning |
title_fullStr |
Uma Abordagem para Manutenção Preditiva baseada em Sistemas Multiagente e Machine Learning |
title_full_unstemmed |
Uma Abordagem para Manutenção Preditiva baseada em Sistemas Multiagente e Machine Learning |
title_sort |
Uma Abordagem para Manutenção Preditiva baseada em Sistemas Multiagente e Machine Learning |
author |
Fernandes, Diogo Filipe Faria Duarte |
author_facet |
Fernandes, Diogo Filipe Faria Duarte |
author_role |
author |
dc.contributor.none.fl_str_mv |
Oliveira, José Peres, Ricardo RUN |
dc.contributor.author.fl_str_mv |
Fernandes, Diogo Filipe Faria Duarte |
dc.subject.por.fl_str_mv |
Manutenção Preditiva Sistemas Multiagente Sistemas Ciber-Físicos Indústria 4.0 Análise de Dados Domínio/Área Científica::Engenharia e Tecnologia::Engenharia Eletrotécnica, Eletrónica e Informática |
topic |
Manutenção Preditiva Sistemas Multiagente Sistemas Ciber-Físicos Indústria 4.0 Análise de Dados Domínio/Área Científica::Engenharia e Tecnologia::Engenharia Eletrotécnica, Eletrónica e Informática |
description |
Nos dias de hoje onde a tecnologia está em constante evolução, surge a necessidade de os sistemas industriais se adaptarem às alterações do mercado, de modo a fazer frente às necessidades de um mercado cada vez mais competitivo e global. No seguimento da evolução da tecnologia e dos desenvolvimentos recentes que resultaram numa maior disponibilidade dos sistemas de aquisição de dados e redes de computadores, a natureza competitiva da indústria atual força os sistemas de manufatura a avançar para a implementação de metodologias de alta tecnologia, possibilitando a estes sistemas uma maior flexibilidade e robustez ao lidar com situações inesperadas. A Manutenção Preditiva é a primeira grande quebra de paradigma na manutenção, intensificando-se cada vez mais, quanto maior o desenvolvimento tecnológico. Esta solução, é considerada como a mais fiável sob o ponto de vista de produção, na medida que monitoriza o equipamento e/ou sistema, agindo quando necessário. No entanto, toda a tecnologia inerente a este tipo de manutenção ainda precisa de intervenção humana, pois, embora os equipamentos/sistemas já possam detetar as falhas, estes não se auto-reparam, necessitando da intervenção do homem para efetuar o reparo. O trabalho desenvolvido na presente dissertação de mestrado consiste no estudo, de como integrar Machine Learning em sistemas ciber-físicos baseados em agentes e utilizando serviços. |
publishDate |
2020 |
dc.date.none.fl_str_mv |
2020-12-14T15:30:41Z 2020-07 2020 2020-07-01T00:00:00Z |
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/10362/108614 |
url |
http://hdl.handle.net/10362/108614 |
dc.language.iso.fl_str_mv |
por |
language |
por |
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.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_ |
1799138025638199296 |