Auto-ML para manutenção industrial 4.0
Autor(a) principal: | |
---|---|
Data de Publicação: | 2024 |
Tipo de documento: | Dissertação |
Idioma: | por |
Título da fonte: | Repositório Institucional da UNIFESP |
Texto Completo: | https://hdl.handle.net/11600/70961 |
Resumo: | A Manutenção Industrial 4.0 tem sido uma área em constante evolução, onde a utilização de técnicas de aprendizado de máquina e inteligência artificial desempenham um papel crucial para aumentar a eficiência, a previsibilidade e a confiabilidade dos processos industriais. Neste contexto, o presente trabalho tem como objetivo investigar a aplicação do AutoML (Automated Machine Learning) na otimização de processos de manutenção industrial. O AutoML é uma abordagem inovadora que permite automatizar etapas importantes do fluxo de trabalho de aprendizado de máquina, como seleção de modelos, pré-processamento de dados e ajuste de hiperparâmetros, possibilitando que profissionais com pouca experiência em ciência de dados também possam criar modelos de qualidade. Este trabalho abordou três principais aspectos relacionados ao AutoML na indústria. Em primeiro lugar, foi realizada uma revisão sistemática da literatura sobre o uso de AutoML em contextos industriais, examinando estudos relevantes nos últimos anos. Em segundo lugar, foi conduzido um comparativo entre três bibliotecas de AutoML amplamente utilizadas (H2O, Pycaret e TPOT), analisando diversos critérios como características e requisitos, integração de dados, preparação de dados, modelagem, desempenho, implantação e aplicabilidade específica para cenários industriais. Testes foram realizados considerando três datasets com problemas industriais envolvendo regressão e classificação para otimização de produção e previsão de falhas de equipamentos. Por fim, foi desenvolvido um módulo de imputação de dados personalizado para a biblioteca TPOT2, com o objetivo de lidar de forma eficaz com dados ausentes ou incompletos encontrados em ambientes industriais. Essas três abordagens em conjunto contribuíram para uma compreensão mais abrangente do uso de AutoML na indústria e para o desenvolvimento de soluções práticas e eficazes para os desafios enfrentados nesse contexto. |
id |
UFSP_95b689b9409b2818cdc6e8638df1b3b3 |
---|---|
oai_identifier_str |
oai:repositorio.unifesp.br/:11600/70961 |
network_acronym_str |
UFSP |
network_name_str |
Repositório Institucional da UNIFESP |
repository_id_str |
3465 |
spelling |
http://lattes.cnpq.br/9064767888093340Huarayo Quispe, Joel Frank [UNIFESP]http://lattes.cnpq.br/3740015935039713Berton, Lilian [UNIFESP]São José dos Campos, SP2024-04-05T10:51:21Z2024-04-05T10:51:21Z2024-02-27A Manutenção Industrial 4.0 tem sido uma área em constante evolução, onde a utilização de técnicas de aprendizado de máquina e inteligência artificial desempenham um papel crucial para aumentar a eficiência, a previsibilidade e a confiabilidade dos processos industriais. Neste contexto, o presente trabalho tem como objetivo investigar a aplicação do AutoML (Automated Machine Learning) na otimização de processos de manutenção industrial. O AutoML é uma abordagem inovadora que permite automatizar etapas importantes do fluxo de trabalho de aprendizado de máquina, como seleção de modelos, pré-processamento de dados e ajuste de hiperparâmetros, possibilitando que profissionais com pouca experiência em ciência de dados também possam criar modelos de qualidade. Este trabalho abordou três principais aspectos relacionados ao AutoML na indústria. Em primeiro lugar, foi realizada uma revisão sistemática da literatura sobre o uso de AutoML em contextos industriais, examinando estudos relevantes nos últimos anos. Em segundo lugar, foi conduzido um comparativo entre três bibliotecas de AutoML amplamente utilizadas (H2O, Pycaret e TPOT), analisando diversos critérios como características e requisitos, integração de dados, preparação de dados, modelagem, desempenho, implantação e aplicabilidade específica para cenários industriais. Testes foram realizados considerando três datasets com problemas industriais envolvendo regressão e classificação para otimização de produção e previsão de falhas de equipamentos. Por fim, foi desenvolvido um módulo de imputação de dados personalizado para a biblioteca TPOT2, com o objetivo de lidar de forma eficaz com dados ausentes ou incompletos encontrados em ambientes industriais. Essas três abordagens em conjunto contribuíram para uma compreensão mais abrangente do uso de AutoML na indústria e para o desenvolvimento de soluções práticas e eficazes para os desafios enfrentados nesse contexto.Industrial Maintenance 4.0 has been an area in constant evolution, where the use of machine learning and artificial intelligence techniques plays a crucial role in increasing the efficiency, predictability and reliability of industrial processes. In this context, the present work aims to investigate the application of AutoML (Automated Machine Learning) in the optimization of industrial maintenance processes. AutoML is an innovative approach that allows you to automate important steps in the machine learning workflow, such as model selection, data preprocessing, and hyperparameter tuning, enabling professionals with little experience in data science to also create data models. quality. This work addressed three main aspects related to AutoML in the industry. First, a systematic review of the literature on the use of AutoML in industrial contexts was carried out, examining relevant studies in recent years. Secondly, a comparison was conducted between three widely used AutoML libraries (H2O, Pycaret and TPOT), analyzing several criteria such as characteristics and requirements, data integration, data preparation, modeling, performance, deployment and applicability specific to industrial scenarios. Tests were carried out considering three datasets with industrial problems involving regression and classification for production optimization and equipment failure prediction. Finally, a custom data imputation module was developed for the TPOT2 library, with the aim of effectively dealing with missing or incomplete data found in industrial environments. These three approaches together contributed to a more comprehensive understanding of the use of AutoML in industry and to the development of practical and effective solutions to the challenges faced in this context.Coordenação de Aperfeiçoamento de Pessoal de Nível Superior (CAPES)88887.718099/2022.00lilian.2as@gmail.com121 f.https://hdl.handle.net/11600/70961porUniversidade Federal de São PauloAprendizado de máquina automatizadoImputação de dadosIndústria 4.0Manutenção, OtimizaçãoAuto-ML para manutenção industrial 4.0Auto-ML for industrial maintenance 4.0info:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisinfo:eu-repo/semantics/openAccessreponame:Repositório Institucional da UNIFESPinstname:Universidade Federal de São Paulo (UNIFESP)instacron:UNIFESPInstituto de Ciência e Tecnologia (ICT)066.311.517-59Ciência da ComputaçãoTEXTAuto_ML_para_manutenção_industrial_4_0__PPG_CC___UNIFESP.pdf.txtAuto_ML_para_manutenção_industrial_4_0__PPG_CC___UNIFESP.pdf.txtExtracted texttext/plain104168https://repositorio.unifesp.br/bitstreams/214196a4-dd60-4b70-b162-48f6d70d35e2/download9139d3a488dc7964988a2c86872f162bMD54THUMBNAILAuto_ML_para_manutenção_industrial_4_0__PPG_CC___UNIFESP.pdf.jpgAuto_ML_para_manutenção_industrial_4_0__PPG_CC___UNIFESP.pdf.jpgGenerated Thumbnailimage/jpeg3668https://repositorio.unifesp.br/bitstreams/00d02b49-7142-4371-bb9f-e53468c59ebf/download77f5dbd5e209baead896d8b9983f02e8MD55LICENSElicense.txtlicense.txttext/plain; charset=utf-85679https://repositorio.unifesp.br/bitstreams/681f03ec-9a6e-4b4e-8267-d4ad0210a465/download859ba7aac438f424e54bd364c2aecf3cMD52ORIGINALAuto_ML_para_manutenção_industrial_4_0__PPG_CC___UNIFESP.pdfAuto_ML_para_manutenção_industrial_4_0__PPG_CC___UNIFESP.pdfapplication/pdf6265773https://repositorio.unifesp.br/bitstreams/3f4e01aa-d744-4b5e-af6c-d709d36f4687/download5362e3009f1ec9a4252ba7d33f12c0c9MD5311600/709612024-04-05 09:02:33.341oai:repositorio.unifesp.br/:11600/70961https://repositorio.unifesp.brRepositório InstitucionalPUBhttp://www.repositorio.unifesp.br/oai/requestopendoar:34652024-04-05T09:02:33Repositório Institucional da UNIFESP - Universidade Federal de São Paulo (UNIFESP)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 |
dc.title.none.fl_str_mv |
Auto-ML para manutenção industrial 4.0 |
dc.title.alternative.none.fl_str_mv |
Auto-ML for industrial maintenance 4.0 |
title |
Auto-ML para manutenção industrial 4.0 |
spellingShingle |
Auto-ML para manutenção industrial 4.0 Huarayo Quispe, Joel Frank [UNIFESP] Aprendizado de máquina automatizado Imputação de dados Indústria 4.0 Manutenção, Otimização |
title_short |
Auto-ML para manutenção industrial 4.0 |
title_full |
Auto-ML para manutenção industrial 4.0 |
title_fullStr |
Auto-ML para manutenção industrial 4.0 |
title_full_unstemmed |
Auto-ML para manutenção industrial 4.0 |
title_sort |
Auto-ML para manutenção industrial 4.0 |
author |
Huarayo Quispe, Joel Frank [UNIFESP] |
author_facet |
Huarayo Quispe, Joel Frank [UNIFESP] |
author_role |
author |
dc.contributor.advisorLattes.none.fl_str_mv |
http://lattes.cnpq.br/9064767888093340 |
dc.contributor.authorLattes.none.fl_str_mv |
http://lattes.cnpq.br/3740015935039713 |
dc.contributor.author.fl_str_mv |
Huarayo Quispe, Joel Frank [UNIFESP] |
dc.contributor.advisor1.fl_str_mv |
Berton, Lilian [UNIFESP] |
contributor_str_mv |
Berton, Lilian [UNIFESP] |
dc.subject.por.fl_str_mv |
Aprendizado de máquina automatizado Imputação de dados Indústria 4.0 Manutenção, Otimização |
topic |
Aprendizado de máquina automatizado Imputação de dados Indústria 4.0 Manutenção, Otimização |
description |
A Manutenção Industrial 4.0 tem sido uma área em constante evolução, onde a utilização de técnicas de aprendizado de máquina e inteligência artificial desempenham um papel crucial para aumentar a eficiência, a previsibilidade e a confiabilidade dos processos industriais. Neste contexto, o presente trabalho tem como objetivo investigar a aplicação do AutoML (Automated Machine Learning) na otimização de processos de manutenção industrial. O AutoML é uma abordagem inovadora que permite automatizar etapas importantes do fluxo de trabalho de aprendizado de máquina, como seleção de modelos, pré-processamento de dados e ajuste de hiperparâmetros, possibilitando que profissionais com pouca experiência em ciência de dados também possam criar modelos de qualidade. Este trabalho abordou três principais aspectos relacionados ao AutoML na indústria. Em primeiro lugar, foi realizada uma revisão sistemática da literatura sobre o uso de AutoML em contextos industriais, examinando estudos relevantes nos últimos anos. Em segundo lugar, foi conduzido um comparativo entre três bibliotecas de AutoML amplamente utilizadas (H2O, Pycaret e TPOT), analisando diversos critérios como características e requisitos, integração de dados, preparação de dados, modelagem, desempenho, implantação e aplicabilidade específica para cenários industriais. Testes foram realizados considerando três datasets com problemas industriais envolvendo regressão e classificação para otimização de produção e previsão de falhas de equipamentos. Por fim, foi desenvolvido um módulo de imputação de dados personalizado para a biblioteca TPOT2, com o objetivo de lidar de forma eficaz com dados ausentes ou incompletos encontrados em ambientes industriais. Essas três abordagens em conjunto contribuíram para uma compreensão mais abrangente do uso de AutoML na indústria e para o desenvolvimento de soluções práticas e eficazes para os desafios enfrentados nesse contexto. |
publishDate |
2024 |
dc.date.accessioned.fl_str_mv |
2024-04-05T10:51:21Z |
dc.date.available.fl_str_mv |
2024-04-05T10:51:21Z |
dc.date.issued.fl_str_mv |
2024-02-27 |
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 |
https://hdl.handle.net/11600/70961 |
url |
https://hdl.handle.net/11600/70961 |
dc.language.iso.fl_str_mv |
por |
language |
por |
dc.rights.driver.fl_str_mv |
info:eu-repo/semantics/openAccess |
eu_rights_str_mv |
openAccess |
dc.format.none.fl_str_mv |
121 f. |
dc.coverage.spatial.none.fl_str_mv |
São José dos Campos, SP |
dc.publisher.none.fl_str_mv |
Universidade Federal de São Paulo |
publisher.none.fl_str_mv |
Universidade Federal de São Paulo |
dc.source.none.fl_str_mv |
reponame:Repositório Institucional da UNIFESP instname:Universidade Federal de São Paulo (UNIFESP) instacron:UNIFESP |
instname_str |
Universidade Federal de São Paulo (UNIFESP) |
instacron_str |
UNIFESP |
institution |
UNIFESP |
reponame_str |
Repositório Institucional da UNIFESP |
collection |
Repositório Institucional da UNIFESP |
bitstream.url.fl_str_mv |
https://repositorio.unifesp.br/bitstreams/214196a4-dd60-4b70-b162-48f6d70d35e2/download https://repositorio.unifesp.br/bitstreams/00d02b49-7142-4371-bb9f-e53468c59ebf/download https://repositorio.unifesp.br/bitstreams/681f03ec-9a6e-4b4e-8267-d4ad0210a465/download https://repositorio.unifesp.br/bitstreams/3f4e01aa-d744-4b5e-af6c-d709d36f4687/download |
bitstream.checksum.fl_str_mv |
9139d3a488dc7964988a2c86872f162b 77f5dbd5e209baead896d8b9983f02e8 859ba7aac438f424e54bd364c2aecf3c 5362e3009f1ec9a4252ba7d33f12c0c9 |
bitstream.checksumAlgorithm.fl_str_mv |
MD5 MD5 MD5 MD5 |
repository.name.fl_str_mv |
Repositório Institucional da UNIFESP - Universidade Federal de São Paulo (UNIFESP) |
repository.mail.fl_str_mv |
|
_version_ |
1803210213650595840 |