Serviço Preditivo para Equipamentos Industriais

• Autor(a) principal: Assunção, André Pereira
• 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/10400.22/19242
• topic: Indústria 4.0; Inteligência Artificial; Machine Learning; Previsão de Anomalias; Rolhas de Cortiça; TCA; Industry 4.0; Artificial Intelligence; Machine Learning; Anomaly Prediction; Cork Stoppers

Com a constante e crescente digitalização dos negócios, as indústrias caminham no sentido da quarta revolução industrial, denominada de Indústria 4.0. Uma das tecnologias constituintes desta revolução é a Inteligência Artificial. O Machine Learning é um dos ramos da Inteligência Artificial, que combina dados e utiliza modelos computacionais para analisar padrões e efetuar previsões. A Amorim Cork é uma empresa industrial destinada à produção de rolhas de cortiça, que está a implementar tecnologias e mecanismos para se aproximar cada vez mais do conceito de Indústria 4.0. Entre as várias fases do processo de produção, uma das mais críticas é a fase de limpeza e tratamento de rolhas. Nesta fase são eliminadas diversas bactérias, nomeadamente o TCA que é responsável pelo maior problema atualmente existente na cortiça. Assim, a presente dissertação propõe um serviço preditivo para previsão de anomalias nas máquinas de limpeza e tratamento com uma antecedência de uma hora. Este serviço tem uma arquitetura cloud e utiliza métodos de Machine Learning para combinar os dados gerados pelas máquinas e prever anomalias nas mesmas. Com este serviço estima-se uma melhoria na eficiência do processo, reduzindo a manutenção reativa e propondo uma manutenção preditiva, tendo em vista uma redução de custos. Primeiramente foi realizado um estado de arte do projeto. Neste foi feito um enquadramento do tema Inteligência Artificial, foram abordados diversos algoritmos, bem como a avaliação e seleção dos mesmos. Foram também elencadas plataformas de Machine Learning e trabalhos existentes no tema em que se insere a presente tese. A implementação do serviço incluiu maioritariamente duas vertentes, o desenvolvimento do modelo preditivo e orquestração de dados. Para a orquestração foi utilizado o Azure Data Factory, já para o modelo preditivo foi utilizado Azure ML. O desenvolvimento do modelo compreendeu diversas tarefas de análise e exploração de dados, preparação de dados e avaliação de algoritmos. No final, após diversos ensaios, foi utilizado um modelo que utiliza validação cruzada estratificada e o algoritmo Two Class Decision Forest. O serviço desenvolvido é robusto e altamente escalável, estando apto à introdução de novas fontes de dados para enriquecer o modelo preditivo e possuindo um elevado potencial de utilização industrial.