Use este identificador para citar ou linkar para este item: http://www.monografias.ufop.br/handle/35400000/6871
Registro completo de metadados
Campo Dublin CoreValorIdioma
dc.contributor.advisorSilva, Thiago Augusto de Oliveirapt_BR
dc.contributor.authorMine, Flavio Hirotaka-
dc.date.accessioned2024-08-08T18:16:31Z-
dc.date.available2024-08-08T18:16:31Z-
dc.date.issued2024pt_BR
dc.identifier.citationMINE, Flavio Hirotaka. Detecção de falhas em ativos críticos utilizando redes neurais artificiais. 2024. 51 f. Monografia (Especialização em Ciência de Dados) - Instituto de Ciências Exatas e Aplicadas, Universidade Federal de Ouro Preto, João Monlevade, 2024.pt_BR
dc.identifier.urihttp://www.monografias.ufop.br/handle/35400000/6871-
dc.description.abstractEste 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.pt_BR
dc.language.isopt_BRpt_BR
dc.subjectAdministração fabrilpt_BR
dc.subjectEquipamentos industriais - confiabilidadept_BR
dc.subjectFalhas estruturais - detecçãopt_BR
dc.subjectInteligência artificialpt_BR
dc.subjectLocalização de falhaspt_BR
dc.titleDetecção de falhas em ativos críticos utilizando redes neurais artificiais.pt_BR
dc.typeTCC-Especializaçãopt_BR
dc.rights.licenseEste trabalho está sob uma licença Creative Commons BY-NC-ND 4.0 (https://creativecommons.org/licenses/by-nc-nd/4.0/?ref=chooser-v1).pt_BR
dc.contributor.refereeSilva, Thiago Augusto de Oliveirapt_BR
dc.contributor.refereeLeite, Sarah Negreiros de Carvalhopt_BR
dc.contributor.refereeCaux, Leonardo Souza dept_BR
dc.description.abstractenThis work addresses the challenges faced by modern industries due to the constant threat of fail- ures in complex equipment. The reliability of this equipment is essential for the competitiveness and sustainability of companies, as unexpected failures can result in high repair costs, production stoppages, and loss of quality. In this context, failure prediction plays a crucial role in mitigating these risks. The objective of this work was to develop failure classification models in advance us- ing advanced machine learning (ML) techniques, specifically Long Short-Term Memory (LSTM) recurrent neural networks (RNNs). The methodology involved collecting sensor data and process data from real equipment in a pulp industry. These data were pre-processed and used to train and evaluate the LSTM models for future failure classification. As a result of the work, 24 models were obtained and evaluated according to performance evaluation metrics, with the best model achieving a specificity of 84.48% for a predictability of 96 hours in advance, indicating the feasibility and potential of this approach for early failure prediction in industrial equipment. This study highlights the importance of anticipating failures in the global competitive context, where operational efficiency is crucial. By demonstrating the effectiveness of the employed Machine Learning techniques, the study shows how these tools can not only prevent unexpected failures but also promote smarter and more sustainable management of industrial resources.pt_BR
dc.contributor.authorID2021.10811pt_BR
Aparece nas coleções:Especialização - Ciência dos Dados

Arquivos associados a este item:
Arquivo Descrição TamanhoFormato 
MONOGRAFIA_DetecçãoFalhasAtivos.pdf2,17 MBAdobe PDFVisualizar/Abrir


Os itens na BDTCC estão protegidos por copyright, com todos os direitos reservados, salvo quando é indicado o contrário.