Aplicação de aprendizado de máquina para predição de falhas em equipamentos

Registro completo de metadados
MetadadosDescriçãoIdioma
Autor(es): dc.contributorTondato, Rogério-
Autor(es): dc.contributorTondato, Rogério-
Autor(es): dc.contributorQuintilhano, Silvana Rodrigues-
Autor(es): dc.contributorFerreira, José Angelo-
Autor(es): dc.creatorOmine, Erick Hiroyuki Nishida-
Data de aceite: dc.date.accessioned2025-08-29T12:02:37Z-
Data de disponibilização: dc.date.available2025-08-29T12:02:37Z-
Data de envio: dc.date.issued2024-09-10-
Data de envio: dc.date.issued2024-09-10-
Data de envio: dc.date.issued2024-08-19-
Fonte completa do material: dc.identifierhttp://repositorio.utfpr.edu.br/jspui/handle/1/34771-
Fonte: dc.identifier.urihttp://educapes.capes.gov.br/handle/capes/1087911-
Descrição: dc.descriptionEquipment failure is a negative phenomenon that occurs in industrial systems, caused by a variety of factors including wear, aging, and adverse operating conditions. These failures can result in equipment downtime, product defects, and potential damage to infrastructure. In na industrial context, equipment failure can lead to significant losses for companies, compromising product quality and operational efficiency. In light of this, this work aims to develop a failure prediction method using machine learning, given its predictive capability through real-time data analysis. For this purpose, a variety of machine learning techniques were gathered to solve the problem. Data processing, training, refinement, and calibration of the models were carried out using the Python programming language and auxiliary libraries such as pandas and scikit-learn. The results show that machine learning can significantly improve the accuracy of predictive maintenance, achieving a detection efficiency of up to 96.2%.-
Descrição: dc.descriptionA falha de equipamentos é um fenômeno negativo que ocorre em sistemas industriais, causado por uma variedade de fatores, incluindo desgaste, envelhecimento e condições operacionais adversas. Essas falhas podem resultar em tempo de inatividade do equipamento, defeitos no produto e possíveis danos infraestrutura. Em um contexto industrial, a falha de equipamentos pode levar a perdas significativas para as empresas, comprometendo a qualidade do produto e a eficiência operacional. Diante disso, este trabalho busca desenvolver um método de predição de falhas utilizando aprendizado de máquina, dada sua capacidade preditiva através da análise de dados em tempo real. Para isso, foi reunido uma variedade de técnicas de aprendizado de máquina para a resolução do problema. Foi realizado o tratamento dos dados, treinamento, refinamento e calibração dos modelos, utilizando a linguagem de programação Python e bibliotecas auxiliares como pandas e scikit-learn. Os resultados mostram que o aprendizado de máquina pode melhorar significativamente a precisão da manutenção preditiva, podendo chegar a uma eficiência de detecção de até 96,2%.-
Formato: dc.formatapplication/pdf-
Idioma: dc.languagept_BR-
Publicador: dc.publisherUniversidade Tecnológica Federal do Paraná-
Publicador: dc.publisherLondrina-
Publicador: dc.publisherBrasil-
Publicador: dc.publisherEngenharia Mecânica-
Publicador: dc.publisherUTFPR-
Direitos: dc.rightsopenAccess-
Direitos: dc.rightsAttribution 4.0 International-
Direitos: dc.rightshttp://creativecommons.org/licenses/by/4.0/-
Palavras-chave: dc.subjectAprendizado do computador-
Palavras-chave: dc.subjectEquipamentos industriais-
Palavras-chave: dc.subjectMáquinas - Manutenção e reparos-
Palavras-chave: dc.subjectMachine learning-
Palavras-chave: dc.subjectIndustrial equipment-
Palavras-chave: dc.subjectMachinery - Maintenance and repair-
Palavras-chave: dc.subjectCNPQ::ENGENHARIAS::ENGENHARIA MECANICA-
Título: dc.titleAplicação de aprendizado de máquina para predição de falhas em equipamentos-
Título: dc.titleMachine Learning application for equipament failure prediction-
Tipo de arquivo: dc.typelivro digital-
Aparece nas coleções:Repositorio Institucional da UTFPR - RIUT

Não existem arquivos associados a este item.