Serviço Preditivo para Equipamentos Industriais
Autor(a) principal: | |
---|---|
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 |
Resumo: | 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. |
id |
RCAP_8e4fc21b24dab89fc5517957fe209dd0 |
---|---|
oai_identifier_str |
oai:recipp.ipp.pt:10400.22/19242 |
network_acronym_str |
RCAP |
network_name_str |
Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos) |
repository_id_str |
7160 |
spelling |
Serviço Preditivo para Equipamentos IndustriaisIndústria 4.0Inteligência ArtificialMachine LearningPrevisão de AnomaliasRolhas de CortiçaTCAIndustry 4.0Artificial IntelligenceMachine LearningAnomaly PredictionCork StoppersCom 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.With the constant and growing digitalization of business, industries are moving towards the fourth industrial revolution, called Industry 4.0. One of the constituent technologies of this revolution is Artificial Intelligence. Machine Learning is one of the branches of Artificial Intelligence, which combines data and uses computational models to analyze patterns and make predictions. Amorim Cork is an industrial company dedicated to the production of cork stoppers, which is implementing technologies and mechanisms to increasingly approach the concept of Industry 4.0. Among the various stages of the production process, one of the most critical is the cleaning and treatment of stoppers. At this stage, several bacteria are eliminated, namely the TCA, which is responsible for the biggest problem currently existing in cork. Thus, this dissertation proposes a predictive service for anomaly prediction in cleaning and treatment machines. This service has a cloud-based architecture and uses Machine Learning methods to combine the data generated by the machines and predict failures and stops. With this service, it’s estimated an improvement in the efficiency of the process, reducing reactive maintenance and proposing predictive maintenance, with the objective of reducing costs. First, a state-of-the-art was carried out. In this, the Artificial Intelligence theme was framed, several algorithms were approached, as well as their evaluation and selection. Machine Learning platforms and existing works about the theme of this thesis were also listed. The service implementation mainly included two aspects, the development of the predictive model and data orchestration. For the orchestration was used Azure Data Factory, while for the predictive model was used Azure ML. The development of the model included several tasks of data analysis and exploration, data preparation and algorithm evaluation. In the end, after several tests, was used a model that uses stratified cross-validation and Two Class Decision Forest algorithm. The service developed is robust and highly scalable, being able to introduce new data sources to enrich the predictive model and having a high potential for industrial use.Marreiros, Maria Goreti CarvalhoRepositório Científico do Instituto Politécnico do PortoAssunção, André Pereira20212024-11-19T00:00:00Z2021-01-01T00:00:00Zinfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisapplication/pdfhttp://hdl.handle.net/10400.22/19242TID:202795870porinfo:eu-repo/semantics/embargoedAccessreponame:Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)instname:Agência para a Sociedade do Conhecimento (UMIC) - FCT - Sociedade da Informaçãoinstacron:RCAAP2023-03-13T13:13:17Zoai:recipp.ipp.pt:10400.22/19242Portal AgregadorONGhttps://www.rcaap.pt/oai/openaireopendoar:71602024-03-19T17:39:19.211906Repositório 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 |
Serviço Preditivo para Equipamentos Industriais |
title |
Serviço Preditivo para Equipamentos Industriais |
spellingShingle |
Serviço Preditivo para Equipamentos Industriais Assunção, André Pereira 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 |
title_short |
Serviço Preditivo para Equipamentos Industriais |
title_full |
Serviço Preditivo para Equipamentos Industriais |
title_fullStr |
Serviço Preditivo para Equipamentos Industriais |
title_full_unstemmed |
Serviço Preditivo para Equipamentos Industriais |
title_sort |
Serviço Preditivo para Equipamentos Industriais |
author |
Assunção, André Pereira |
author_facet |
Assunção, André Pereira |
author_role |
author |
dc.contributor.none.fl_str_mv |
Marreiros, Maria Goreti Carvalho Repositório Científico do Instituto Politécnico do Porto |
dc.contributor.author.fl_str_mv |
Assunção, André Pereira |
dc.subject.por.fl_str_mv |
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 |
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 |
description |
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. |
publishDate |
2021 |
dc.date.none.fl_str_mv |
2021 2021-01-01T00:00:00Z 2024-11-19T00:00:00Z |
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/10400.22/19242 TID:202795870 |
url |
http://hdl.handle.net/10400.22/19242 |
identifier_str_mv |
TID:202795870 |
dc.language.iso.fl_str_mv |
por |
language |
por |
dc.rights.driver.fl_str_mv |
info:eu-repo/semantics/embargoedAccess |
eu_rights_str_mv |
embargoedAccess |
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_ |
1799131481766887424 |