Detecção de falhas em ativos críticos utilizando redes neurais artificiais.

Abstract

Este trabalho aborda os desafios enfrentados pelas indústrias modernas devido à constante ameaça de falhas em equipamentos complexos. A confiabilidade desses equipamentos é essencial para a competitividade e sustentabilidade das empresas, pois falhas inesperadas podem gerar custos elevados com reparos, paradas na produção e perda de qualidade. Nesse contexto, a previsão de falhas assume um papel crucial na mitigação desses riscos. O objetivo deste trabalho foi desenvolver modelos de classificação de falhas com antecedência utilizando técnicas avançadas de machine learning (ML), redes neurais recorrentes (RNR) do tipo LSTM. A metodologia envolveu a coleta de dados de sensores e dados de processos de um equipamento real de uma indústria de celulose. Esses dados foram pré-processados e utilizados para treinar e avaliar os modelos de LSTM para a classificação de falhas futuras. Como resultados do trabalho, foram obtidos 24 modelos que foram avaliados conforme as métricas de avaliação de desempenho, na qual obteve-se o melhor modelo com uma especificidade de 84,48% para uma previsibilidade de 96 horas de antecedência, indicando a viabilidade e o potencial dessa abordagem para a previsibilidade antecipada de falhas em equipamentos industriais. Este estudo ressalta a importância de antecipar falhas no contexto global competitivo, onde a eficiência operacional é crucial. Ao evidenciar a eficácia das técnicas de Machine Learning empregadas, o estudo demonstra como essas ferramentas podem não apenas prevenir falhas inesperadas, mas também promover uma gestão mais inteligente e sustentável dos recursos industriais.