Ciência de Dados como ferramenta para manutenção pretiditva para equipamentos industriais sensorizados

• Autor(a) principal: Sousa, Murilo Leite de
• Data de Publicação: 2023
• Tipo de documento: Trabalho de conclusão de curso
• Idioma: por
• Título da fonte: Repositório Institucional da UNESP
• Texto Completo: https://hdl.handle.net/11449/252432
• topic: Ciência de dados; Manutenção preditiva; Aprendizado de máquina; Equipamentos industriais; Predictive maintenance; Data science; Machine learning; CRISP-DM

Sabe-se que atualmente, o principal objetivo das indústrias está em maximizar seus resultados e, consequentemente, obter maior lucro frente aos seus concorrentes. Desta forma, não somente no viés de vendas, as indústrias buscam otimizar ao máximo todos seus processos e isso inclui a manutenção de equipamentos industriais. Com a indústria 4.0, a possibilidade de acompanhar as performances desses ativos industriais foi possível devido à atuação de sensores e de dados provenientes desse sensoriamento. Com isso, a manutenção preditiva traz uma solução que busca otimizar as manutenções de equipamentos com o objetivo de redução de paradas desnecessárias na produção utilizando para isso conceitos da ciência de dados para a predição de falhas no processo produtivo. Desta forma, esse trabalho de graduação tem o intuito de mostrar como estruturar um projeto de ciência de dados para ser utilizado na agenda de manutenção preditiva das indústrias, realizando a predição de falhas com até 15 aferições dos sensores de antecedência para 100 equipamentos industriais sensorizados, utilizando as informações provenientes dos sensores como variáveis preditoras. Assim, é possível utilizar a saída do modelo de aprendizado de máquina para estruturar com antecedência as manutenções em máquinas, prevenindo paradas desnecessárias na produção. Para isso, utilizou-se de conceitos de ciência de dados, aprendizado de máquina e manutenção preditiva. A metodologia utilizada para o desenvolvimento do projeto foi a CRISPDM, uma metodologia usada em larga escala no mundo dos dados. Essa metodologia passa por todos os pilares necessários para um projeto de ciência de dados de sucesso, como o entendimento de negócio, onde foi necessário definir qual o problema a ser resolvido e qual variável resposta que se espera; o entendimento dos dados, em que foi realizado uma visualização geral dos dados, volumetria, qual o significado de cada variável preditora e adEquação da base de dados para a utilização em algoritmos de aprendizado de máquina; preparação de dados, momento em que foram definidos pontos de importância para serem explorados na base de dados para serem realizadas possíveis transformações e onde a variável resposta foi criada; modelagem que é onde o modelo foi treinado, otimizando hiperparâmetros e fazendo validação cruzada buscando reduzir o sobreajuste; avaliação do modelo, mostrando métricas de avaliação como precisão e sensibilidade para as quais foram obtidos valores de 78% e 91%, respectivamente, para um limiar de decisão de 0,35. Também é apresentada a curva ROC encontrada a partir da matriz de confusão obtida com a base de teste e, de maneira geral, é realizada uma discussão sobre os motivos e impactos dos resultados obtidos por meio dessas métricas encontradas. Por fim, é discutida uma proposta de orientação à equipe de manutenção sobre como utilizar esse modelo para estruturar as agendas de manutenção. Diante disso, este trabalho de graduação mostra como realizar a integração das tecnologias atuais com o conceito de manutenção, em específico, a utilização da ciência de dados e algoritmos de aprendizado de máquina para prever falhas em equipamentos industriais, como utilizar os passos da metodologia do CRISP-DM visando organização e completude de um projeto, como interpretar resultados provenientes de algoritmos de aprendizado de máquina de classificação e de que forma uma equipe de manutenção pode utilizar tais resultados com o objetivo de reduzir falhas inesperadas nos equipamentos que constituem as linhas de produção de indústrias