Use este identificador para citar ou linkar para este item: http://www.monografias.ufop.br/handle/35400000/4787
Registro completo de metadados
Campo Dublin CoreValorIdioma
dc.contributor.advisorLuz, Eduardo José da Silvapt_BR
dc.contributor.advisorReis, Agnaldo José da Rochapt_BR
dc.contributor.authorChaves, Gabriela Ottoni Santa Bárbara Bartolozzi-
dc.date.accessioned2022-11-11T12:36:11Z-
dc.date.available2022-11-11T12:36:11Z-
dc.date.issued2022pt_BR
dc.identifier.citationCHAVES, Gabriela Ottoni Santa Bárbara Bartolozzi. Predição de falhas em válvulas de um sistema de refrigeração via aprendizado de máquina. 2022. 80 f. Monografia (Graduação em Engenharia de Controle e Automação) - Escola de Minas, Universidade Federal de Ouro Preto, Ouro Preto, 2022.pt_BR
dc.identifier.urihttp://www.monografias.ufop.br/handle/35400000/4787-
dc.description.abstractCom o grande aumento das indústrias e o avanço das tecnologias, tornou-se necessário obter um bom sistema de refrigeração capaz de atender aos requisitos do processo e man ter um custo razoável. Um sistema de HVAC (heating, ventilation and air conditioning) é extremamente necessário no setor farmacêutico visto que este precisa garantir os requi sitos exigidos pelos órgãos regulamentadores. Sabendo disso, é necessário haver bombas, válvulas, atuadores e sensores que serão responsáveis por monitorar as variáveis e parâ metros do processo. Em uma indústria farmacêutica do norte de Minas Gerais, muitas vezes percebe-se uma queda no desempenho das válvulas ao final de seu ciclo de vida e, para garantir a robustez do processo e evitar atrasos e prejuízos para a indústria é preciso perceber essas falhas o mais rápido possível para agir sobre o problema. A utilização de inteligência artificial pode ser uma grande aliada nesse contexto, pois são capazes de ana lisar variáveis e encontrar correlações que poderão auxiliar na identificação de falhas. O presente trabalho tem como objetivo utilizar técnicas de aprendizado de máquina, como regressão logística, árvores de decisão e alguns métodos como TabNet, XGBoost e redes neurais recorrentes para correlacionar as variáveis de monitoramento e de controle em busca de identificar e/ou predizer possíveis defeitos em válvulas, assim contribuindo para que as falhas sejam detectadas mais rapidamente e o tempo de resposta da manutenção ou substituição diminuído. Acredita-se que o objetivo foi cumprido com sucesso, visto que todos os métodos alcançaram excelentes desempenhos, sendo possível obter acurácias altíssimas variando entre 95% e 99%.pt_BR
dc.language.isopt_BRpt_BR
dc.subjectInteligência artificialpt_BR
dc.subjectAprendizado do computadorpt_BR
dc.subjectRedes neurais - computaçãopt_BR
dc.subjectVálvulaspt_BR
dc.subjectHeating, ventilation and air conditioning - HVACpt_BR
dc.subjectTecnologia - acuráciapt_BR
dc.titlePredição de falhas em válvulas de um sistema de refrigeração via aprendizado de máquina.pt_BR
dc.typeTCC-Graduaçãopt_BR
dc.contributor.refereeLuz, Eduardo José da Silvapt_BR
dc.contributor.refereeReis, Agnaldo José da Rochapt_BR
dc.contributor.refereeCastanheira, Luciana Gomespt_BR
dc.contributor.refereeSantana, Adrielle de Carvalhopt_BR
dc.description.abstractenWith the great increase in industries and the advancement of technologies, it became nec essary to obtain a good refrigeration system capable of meeting the process requirements and maintaining a reasonable cost. An HVAC (heating, ventilation and air conditioning) system is extremely necessary in the pharmaceutical sector as it needs to guarantee the re quirements demanded by regulatory bodies. Knowing this, it is necessary to have pumps, valves, actuators and sensors that will be responsible for monitoring the variables and parameters of the process. In a pharmaceutical industry in the north of Minas Gerais, a lot of times it’s noticed a drop in the performance of valves at the end of the valve’s life cycle and, to ensure the robustness of the process and avoid delays and losses for the industry, it is necessary to notice these failures as soon as possible to be able to act on the problem. The use of artificial intelligence can be a great ally in this context, as they are able to analyze variables and find correlations that can help to identify failures. The present work aims to use machine learning techniques such as logistic regression, decision trees and some methods such as TabNet, XGBoost and recurrent neural networks to cor relate monitoring and control variables in order to identify and/or predict possible defects in valves, and so contributing to detect failures more quickly allowing the decreasement of response time of maintenance or replacement. It is believed that the objective was suc cessfully achieved, since all methods accomplished excellent performance, being possible to obtain very high accuracies ranging between 95% and 99%.pt_BR
dc.contributor.authorID17.1.1489pt_BR
Aparece nas coleções:Engenharia de Controle e Automação

Arquivos associados a este item:
Arquivo Descrição TamanhoFormato 
MONOGRAFIA_PrediçãoFalhasVálvulas.pdf6,57 MBAdobe PDFVisualizar/Abrir


Este item está licenciado sob uma Licença Creative Commons Creative Commons