Construção de um modelo preditivo para identificação de falhas para manutenção de máquinas rotativas utilizando aprendizado de máquina

• Autor(a) principal: Ito, Bruno Tsuyoshi
• Data de Publicação: 2022
• Tipo de documento: Trabalho de conclusão de curso
• Idioma: por
• Título da fonte: Repositório Institucional da Universidade Federal Fluminense (RIUFF)
• Texto Completo: http://app.uff.br/riuff/handle/1/31088
• topic: Aprendizado de Máquina; Análise de Componentes Principais; Manutenção Preditiva; Sensores de Vibração; Máquinas de Vetores de Suporte; Aprendizado de máquina; Manutenção industrial; Dados de falha; Vibração; Engenharia de Produção; Machine Learning; Principal Analyses Component; Predictive Maintenance; Vibration Sensors; Support Vector Machine

Com o crescimento na geração de dados as organizações vêm buscando a utilização dessas informações para adquirir vantagens competitivas seja no corte nos custos ou na melhoria da produtividade, um dos alvos a se alcançar e manter é a não parada no processo de produção. A manutenção preditiva é um tipo de manutenção que se baseia em dados de sensores para aumentar a disponibilidade das máquinas, porém, frequentemente, os dados não são triviais para uma leitura e análise. Este projeto tem por objetivo apresentar uma abordagem para identificação de falhas nos dados de operação de máquinas rotativas proveniente de sensores de vibração, baseado em aprendizado de máquina, a fim de auxiliar tomada de decisões visando a manutenção dos ativos. Para isso, foi utilizado Support Vector Machine como o modelo de aprendizado de máquina em busca da identificação de falhas. Na etapa do treinamento e teste do modelo, foram utilizados dados abertos, disponibilizados pela NASA, sendo apresentado as características temporais dos dados de forma a aplicar a técnica de Análise de Componentes Principais para extrair as variáveis sensíveis das características originais para uma otimização e aumento da precisão no processamento desta etapa. O modelo treinado foi utilizado em uma aplicação real utilizando os dados dos sensores de vibração de um rolamento da UmbreonShiny, empresa objeto de estudo, que apresentou falha. Utilizando o software MatLab durante todo o processo, foi obtido um resultado com uma precisão de 98% na identificação de falha nos dados da empresa auxiliando em uma leitura confiável das informações dos sensores para uma tomada de decisão segura.