Aplicação de machine learning para predição de manutenção de máquinas em empresa de transporte e logística de combustíveis

• Autor(a) principal: Lucchetti, Gustavo Pereira
• Data de Publicação: 2020
• Tipo de documento: Trabalho de conclusão de curso
• Idioma: por
• Título da fonte: Repositório Institucional da Universidade Federal Fluminense (RIUFF)
• Texto Completo: https://app.uff.br/riuff/handle/1/14882
• topic: Ciência de dados; Manutenção; Aprendizado de máquina; Algoritmo; Classificação; Aprendizado de máquina; Manutenção de máquina; Algoritmo; Data science; Maintenance; Machine learning; Algorithm; Classification

A aplicação da ciência de dados para resolução de problemas de negócios teve relevante crescimento diante do aumento do volume de dados disponibilizados por usuários, clientes e empresas. A partir desse contexto e da necessidade que as companhias possuem de otimizar suas atividades, incluindo a manutenção de seu maquinário, o presente trabalho teve como objetivo elaborar um algoritmo que consiga predizer se uma manutenção será realizada dentro do prazo definido ou não, além de analisar os principais atributos das máquinas e manutenções registradas dentro de uma empresa de transporte e logística de combustíveis. Por meio de técnicas de redução de dimensionalidade, o Truncated SVD, e de classificação de dados, o K - Nearest Neighbours, e da coleta e seleção de dados de registros das manutenções dessa empresa, o algoritmo foi construído e testado com variações da base de dados original e diferentes valores dos parâmetros do KNN. Após os testes, os resultados obtidos foram comparados pelo cálculo de indicadores de avaliação escolhidos: acurácia, precisão, recall, F1 Score, curva ROC (Receive Operator Characteristic) e AUC (Area Under Curve). O resultado do melhor modelo foi considerado satisfatório para a predição de futuras manutenções, e a análise das variáveis selecionadas evidenciou características relacionadas às manutenções que sofrem atraso onde a empresa pode atuar para evitar novos atrasos, mudando a alocação de recursos quando necessário