Metodologia para a manutenção preditiva dos turbocompressores de veículos comerciais utilizando redes neurais recorrentes bidirecionais
Autor(a) principal: | |
---|---|
Data de Publicação: | 2023 |
Tipo de documento: | Dissertação |
Idioma: | por |
Título da fonte: | Repositório Institucional da UFABC |
Texto Completo: | http://biblioteca.ufabc.edu.br/index.php?codigo_sophia=126290 |
Resumo: | Orientador(a): Prof(a). Dr(a). Ricardo Gaspar |
id |
UFBC_1df815bf2c412ec76ef18b8338390a6a |
---|---|
oai_identifier_str |
oai:BDTD:126290 |
network_acronym_str |
UFBC |
network_name_str |
Repositório Institucional da UFABC |
repository_id_str |
|
spelling |
Metodologia para a manutenção preditiva dos turbocompressores de veículos comerciais utilizando redes neurais recorrentes bidirecionaisINTELIGÊNCIA ARTIFICIALAPRENDIZADO DE MÁQUINASREDES NEURAIS RECORRENTES BIDIRECIONAISMANUTENÇÃO PREDITIVATURBOCOMPRESSORARTIFICIAL INTELLIGENCEMACHINE LEARNINGBI-DIRECTIONAL RECURRENT NEURAL NETWORKSPREDICTIVE MAINTENANCETURBOCHARGERPROGRAMA DE PÓS GRADUAÇÃO EM ENGENHARIA E GESTÃO DA INOVAÇÃOOrientador(a): Prof(a). Dr(a). Ricardo GasparDissertação (mestrado) - Universidade Federal do ABC, Programa de Pós Graduação em Engenharia E Gestão Da Inovação. São Bernardo do Campo, 2023Novas tecnologias e soluções sustentáveis de transportes não são mais um diferencial, mas sim a base da missão e dos valores das grandes empresas, que buscam se manter no mercado com lucratividade, sustentabilidade e responsabilidade social. Oferecer uma solução de serviços personalizados para os clientes por meio de um sistema de manutenção preditiva, aumentando a disponibilidade, a vida útil do veículo e reduzindo os custos operacionais tornam as empresas mais competitivas e atrativas, além de garantir o melhor desempenho do veículo. Esta pesquisa propõe uma metodologia para a identificação da integridade e predição da necessidade de manutenção em turbocompressores de veículos comerciais, utilizando uma rede neural recorrente Bi-Directional Long Short-Term Memory (BLSTM) e comparando seu desempenho com os modelos Random Forest (RF) e Long Short-Term Memory (LSTM). A metodologia utiliza dados reais da indústria, obtidos a partir do histórico de oficina e dados operacionais registrados, e emprega técnicas de mineração de dados para análise detalhada das variáveis, composição do conjunto de dados e construção do modelo preditivo. Os resultados experimentais mostraram que os modelos preditivos propostos apresentaram desempenho superior em relação às estratégias de manutenção atuais na predição de necessidade de manutenção, com destaque para o modelo BLSTM, que apresentou o melhor desempenho geral e a menor pontuação de custo específico. O teste de McNemar indicou que os modelos têm desempenhos significativamente diferentes na tarefa de classificação, ressaltando a importância da escolha adequada do modelo para garantir uma boa performance na manutenção preditiva dos turbocompressores. A metodologia proposta tem potencial de aplicação em outras bases de dados e componentes de veículos comerciais, contribuindo para a redução de custos com manutenção e aumento da confiabilidade operacional dos veículos, com implicações importantes na indústria automotiva em termos de economia de custos e melhoria da eficiência operacional.New technologies and sustainable transport solutions are no longer a differential, but the foundation of the mission and values of large companies that seek to remain in the market with profitability, sustainability, and social responsibility. Offering personalized service solutions to customers through a predictive maintenance system, increasing vehicle uptime, the remaining useful life and reducing operational costs make companies more competitive and attractive, while ensuring optimal vehicle performance. This research proposes a methodology for integrity identification and maintenance prediction in commercial vehicle turbochargers using a Bi-Directional Long Short-Term Memory (BLSTM) recurrent neural network, comparing its performance with Random Forest (RF) and Long Short-Term Memory (LSTM) models. The methodology utilizes real industry data obtained from workshop history and operational data records, employing data mining techniques for detailed analysis of variables, dataset composition, and predictive model construction. Experimental results showed that the proposed predictive models demonstrated superior performance compared to current maintenance strategies in predicting maintenance needs, with the BLSTM model standing out with the best overall performance and lowest specific cost-score. McNemar's test indicated that the models have significantly different performances in the classification task, emphasizing the importance of appropriate model selection to ensure superior performance in predictive maintenance of turbochargers. The proposed methodology has potential application in other commercial vehicle databases and components, contributing to cost reduction in maintenance and increased operational reliability of vehicles, with significant implications in the automotive industry in terms of cost savings and operational efficiency.Gaspar, RicardoSouza, Calebe Paiva Gomes DeJunior, Luiz Antonio CelibertoUniversidade Federal do ABCFreitas, Tiago Nascimento De2023info:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisapplication/pdf98 f : il.http://biblioteca.ufabc.edu.br/index.php?codigo_sophia=126290http://biblioteca.ufabc.edu.br/index.php?codigo_sophia=126290&midiaext=81171Cover: http://biblioteca.ufabc.edu.br/php/capa.php?obra=126290porreponame:Repositório Institucional da UFABCinstname:Universidade Federal do ABC (UFABC)instacron:UFABCinfo:eu-repo/semantics/openAccess2024-03-04T08:37:10Zoai:BDTD:126290Repositório InstitucionalPUBhttp://www.biblioteca.ufabc.edu.br/oai/oai.phpopendoar:2024-03-04T08:37:10Repositório Institucional da UFABC - Universidade Federal do ABC (UFABC)false |
dc.title.none.fl_str_mv |
Metodologia para a manutenção preditiva dos turbocompressores de veículos comerciais utilizando redes neurais recorrentes bidirecionais |
title |
Metodologia para a manutenção preditiva dos turbocompressores de veículos comerciais utilizando redes neurais recorrentes bidirecionais |
spellingShingle |
Metodologia para a manutenção preditiva dos turbocompressores de veículos comerciais utilizando redes neurais recorrentes bidirecionais Freitas, Tiago Nascimento De INTELIGÊNCIA ARTIFICIAL APRENDIZADO DE MÁQUINAS REDES NEURAIS RECORRENTES BIDIRECIONAIS MANUTENÇÃO PREDITIVA TURBOCOMPRESSOR ARTIFICIAL INTELLIGENCE MACHINE LEARNING BI-DIRECTIONAL RECURRENT NEURAL NETWORKS PREDICTIVE MAINTENANCE TURBOCHARGER PROGRAMA DE PÓS GRADUAÇÃO EM ENGENHARIA E GESTÃO DA INOVAÇÃO |
title_short |
Metodologia para a manutenção preditiva dos turbocompressores de veículos comerciais utilizando redes neurais recorrentes bidirecionais |
title_full |
Metodologia para a manutenção preditiva dos turbocompressores de veículos comerciais utilizando redes neurais recorrentes bidirecionais |
title_fullStr |
Metodologia para a manutenção preditiva dos turbocompressores de veículos comerciais utilizando redes neurais recorrentes bidirecionais |
title_full_unstemmed |
Metodologia para a manutenção preditiva dos turbocompressores de veículos comerciais utilizando redes neurais recorrentes bidirecionais |
title_sort |
Metodologia para a manutenção preditiva dos turbocompressores de veículos comerciais utilizando redes neurais recorrentes bidirecionais |
author |
Freitas, Tiago Nascimento De |
author_facet |
Freitas, Tiago Nascimento De |
author_role |
author |
dc.contributor.none.fl_str_mv |
Gaspar, Ricardo Souza, Calebe Paiva Gomes De Junior, Luiz Antonio Celiberto Universidade Federal do ABC |
dc.contributor.author.fl_str_mv |
Freitas, Tiago Nascimento De |
dc.subject.por.fl_str_mv |
INTELIGÊNCIA ARTIFICIAL APRENDIZADO DE MÁQUINAS REDES NEURAIS RECORRENTES BIDIRECIONAIS MANUTENÇÃO PREDITIVA TURBOCOMPRESSOR ARTIFICIAL INTELLIGENCE MACHINE LEARNING BI-DIRECTIONAL RECURRENT NEURAL NETWORKS PREDICTIVE MAINTENANCE TURBOCHARGER PROGRAMA DE PÓS GRADUAÇÃO EM ENGENHARIA E GESTÃO DA INOVAÇÃO |
topic |
INTELIGÊNCIA ARTIFICIAL APRENDIZADO DE MÁQUINAS REDES NEURAIS RECORRENTES BIDIRECIONAIS MANUTENÇÃO PREDITIVA TURBOCOMPRESSOR ARTIFICIAL INTELLIGENCE MACHINE LEARNING BI-DIRECTIONAL RECURRENT NEURAL NETWORKS PREDICTIVE MAINTENANCE TURBOCHARGER PROGRAMA DE PÓS GRADUAÇÃO EM ENGENHARIA E GESTÃO DA INOVAÇÃO |
description |
Orientador(a): Prof(a). Dr(a). Ricardo Gaspar |
publishDate |
2023 |
dc.date.none.fl_str_mv |
2023 |
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://biblioteca.ufabc.edu.br/index.php?codigo_sophia=126290 |
url |
http://biblioteca.ufabc.edu.br/index.php?codigo_sophia=126290 |
dc.language.iso.fl_str_mv |
por |
language |
por |
dc.relation.none.fl_str_mv |
http://biblioteca.ufabc.edu.br/index.php?codigo_sophia=126290&midiaext=81171 Cover: http://biblioteca.ufabc.edu.br/php/capa.php?obra=126290 |
dc.rights.driver.fl_str_mv |
info:eu-repo/semantics/openAccess |
eu_rights_str_mv |
openAccess |
dc.format.none.fl_str_mv |
application/pdf 98 f : il. |
dc.source.none.fl_str_mv |
reponame:Repositório Institucional da UFABC instname:Universidade Federal do ABC (UFABC) instacron:UFABC |
instname_str |
Universidade Federal do ABC (UFABC) |
instacron_str |
UFABC |
institution |
UFABC |
reponame_str |
Repositório Institucional da UFABC |
collection |
Repositório Institucional da UFABC |
repository.name.fl_str_mv |
Repositório Institucional da UFABC - Universidade Federal do ABC (UFABC) |
repository.mail.fl_str_mv |
|
_version_ |
1801502112553631744 |