Use este identificador para citar ou linkar para este item:
http://www.monografias.ufop.br/handle/35400000/4431| Título: | Aplicação de técnicas de mineração de dados para a predição de falhas corretivas em caminhões fora de estrada. |
| Autor(es): | Ferreira, Gabriel Henrique dos Santos |
| Orientador(es): | Lima, Helen de Cássia Sousa da Costa |
| Membros da banca: | Assis, Gilda Aparecida de Araújo, Janniele Aparecida Soares Lima, Helen de Cássia Sousa da Costa |
| Palavras-chave: | Mineração de dados - computação Minas e recursos minerais - carregamento e transporte Caminhões Manutenção |
| Data do documento: | 2022 |
| Referência: | FERREIRA, Gabriel Henrique dos Santos. Aplicação de técnicas de mineração de dados para a predição de falhas corretivas em caminhões fora de estrada. 2022. 41 f. Monografia (Graduação em Engenharia de Computação) - Instituto de Ciências Exatas e Aplicadas, Universidade Federal de Ouro Preto, João Monlevade, 2022. |
| Resumo: | Este trabalho propõe a geração de conhecimento útil relacionado ao problema da predição de falhas em caminhões fora de estrada com a utilização de técnicas e tarefas de mineração de dados aplicadas a uma base de dados de uma grande mineradora do estado de Minas Gerais-Brasil. Este estudo faz uma análise sobre dados coletados por sensores de 19 caminhões e indicadores de performance dos mesmos. Para realizar a predição, foi utilizada a tarefa de classificação com os algoritmos Random Forest, Naive Bayses e XGBoost. Com essa abordagem foi possível predizer 62,22% das falhas nos caminhões com o algoritmo Naive Bayses. |
| Resumo em outra língua: | This work proposes the genaration of useful knowledge related to the problema of predicting failures in off-roal trucks with the use of data mining techniques and tasks Applied to a database of a large mining company in the state of Minas Gerais -Brazil. This study analyses data collected by sensors from 19 trucks and their performance indicators. To perform the prediction, we used the classification task with the algorithms Random Forest, Naive Bayses and XGBoost. With this approach was able to predict 62,22% of truck failures with the algorithms Naive Bayses. |
| URI: | http://www.monografias.ufop.br/handle/35400000/4431 |
| Aparece nas coleções: | Engenharia de Computação - JMV |
Arquivos associados a este item:
| Arquivo | Descrição | Tamanho | Formato | |
|---|---|---|---|---|
| MONOGRAFIA_AplicaçãoTécnicasMineração.pdf | 2,04 MB | Adobe PDF | Visualizar/Abrir |
Este item está licenciado sob uma Licença Creative Commons
