Detecção e predição de falhas em equipamentos industriais via aprendizado de máquina

• Autor(a) principal: Santos, Lucas de Jesus Moreira [UNIFESP]
• Data de Publicação: 2022
• Tipo de documento: Trabalho de conclusão de curso
• Idioma: por
• Título da fonte: Repositório Institucional da UNIFESP
• dARK ID: ark:/48912/0013000017c87
• Texto Completo: https://hdl.handle.net/11600/63908
• topic: Manutenção preditiva; Classificação; Regressão; Aprendizado de máquina

O monitoramento das condições aliado a manutenção preditiva de equipamentos usados pela indústria evita a manutenção chamada de corretiva, essa por sua vez, pode causar perdas econômicas graves. Utilizar conceitos da indústria 4.0 como a Inteligência Artificial para predizer e detectar falhas em tais equipamentos aumenta a confiabilidade do sistema. Esse trabalho tem como foco, aplicar técnicas de Aprendizado de Máquina como Support Vector Machine (SVM), Floresta Aleatória, K-vizinhos mais próximos (KNN), Multi-Layer Perceptron (MLP), Regressão Linear e outros, para predizer e detectar falhas em dois equipamentos industriais, tendo como objetivo comparar o desempenho dessas técnicas. O primeiro equipamento industrial trata-se de uma caixa de engrenagem industrial, para esse equipamento foram utilizados algoritmos Supervisionados de Classificação para detectar possíveis falhas, de acordo com dados coletados por sensores. Os melhores resultados obtidos foram utilizando os algoritmos SVM e MLP. O segundo equipamento industrial trata-se de uma Lâmina de Corte Industrial, para esse equipamento foram utilizados algoritmos Supervisionados de Regressão, essa abordagem é diferente da primeira, pois os dados que serão previstos são valores numéricos dos sen