
Atenção:
O eduCAPES é um repositório de objetos educacionais, não sendo responsável por materiais de terceiros submetidos na plataforma. O usuário assume ampla e total responsabilidade quanto à originalidade, à titularidade e ao conteúdo, citações de obras consultadas, referências e outros elementos que fazem parte do material que deseja submeter. Recomendamos que se reporte diretamente ao(s) autor(es), indicando qual parte do material foi considerada imprópria (cite página e parágrafo) e justificando sua denúncia.
Caso seja o autor original de algum material publicado indevidamente ou sem autorização, será necessário que se identifique informando nome completo, CPF e data de nascimento. Caso possua uma decisão judicial para retirada do material, solicitamos que informe o link de acesso ao documento, bem como quaisquer dados necessários ao acesso, no campo abaixo.
Todas as denúncias são sigilosas e sua identidade será preservada. Os campos nome e e-mail são de preenchimento opcional. Porém, ao deixar de informar seu e-mail, um possível retorno será inviabilizado e/ou sua denúncia poderá ser desconsiderada no caso de necessitar de informações complementares.
| Metadados | Descrição | Idioma |
|---|---|---|
| Autor(es): dc.contributor | Martins, Marcella Scoczynski Ribeiro | - |
| Autor(es): dc.contributor | Verastegui, Roger Navarro | - |
| Autor(es): dc.contributor | Martins, Marcella Scoczynski Ribeiro | - |
| Autor(es): dc.contributor | Baroncini, Virgínia Helena Varotto | - |
| Autor(es): dc.contributor | Regis Junior, Oscar | - |
| Autor(es): dc.creator | Neumann, Ana Carolina Branco | - |
| Autor(es): dc.creator | Rodrigues, Matheus Ronelle | - |
| Data de aceite: dc.date.accessioned | 2025-08-29T12:11:38Z | - |
| Data de disponibilização: dc.date.available | 2025-08-29T12:11:38Z | - |
| Data de envio: dc.date.issued | 2025-06-12 | - |
| Data de envio: dc.date.issued | 2025-06-12 | - |
| Data de envio: dc.date.issued | 2023-11-30 | - |
| Fonte completa do material: dc.identifier | http://repositorio.utfpr.edu.br/jspui/handle/1/37153 | - |
| Fonte: dc.identifier.uri | http://educapes.capes.gov.br/handle/capes/1090713 | - |
| Descrição: dc.description | With the diffusion of Industry 4.0, the operational mode of industries has been significantly impacted by digital transformation. The use of advanced technologies, such as Machine Learning, emerges as a powerful tool to drive greater efficiency and competitiveness among companies. This optimizes the scheduling of predictive maintenance, allowing for the anticipation of machine and equipment failures through historical data, thus avoiding unplanned downtime and maximizing asset availability. In this context, the utilization of Machine Learning techniques is justified, enabling the automated and intelligent analysis of large volumes of data, facilitating the identification of patterns and correlations that are difficult to detect. The main objective of this work is to identify the incidence of failure mode parameters in machinery, aided by artificial intelligence, within the scope of Mechanical Engineering. The synthetic data used for this purpose was obtained from the "Machine Predictive Maintenance Classification" dataset on the Kaggle website, which simulates the parameters of a real machine in both its operational and failure states. The Machine Learning models employed for failure prediction were Random Forest, Support Vector Machine and Multilayer Perceptron, and their accuracies were compared to select the best model. | - |
| Descrição: dc.description | Com a difusão da Indústria 4.0, o modo de operação das indústrias tem sido impactado consideravelmente pela transformação digital. A utilização de tecnologias avançadas, como o Machine Learning, aparece como uma ferramenta poderosa para conduzir a uma maior eficiência e competitividade entre as empresas. Otimizando, assim, a programação de manutenção preditiva, permitindo antecipar falhas em máquinas e equipamentos através de dados históricos, evitando paradas não programadas e maximizando a disponibilidade dos ativos. É nesse contexto, que a utilização de técnicas de Machine Learning se justifica, permitindo a análise de grande volume de dados de forma automatizada e inteligente, possibilitando a identificação de padrões e correlações de difícil detecção. O presente trabalho possui o objetivo principal de identificar incidência de parâmetros de modos de falha em um maquináro, auxiliado por inteligência artificial, no âmbito da Engenharia Mecânica. A base sintética de dados utilizada foi a “Machine Predictive Maintenance Classification”, do site Kaggle, a qual simula os parâmetros de uma máquina real, em seu estado de operação e falha. Os modelos de Machine Learning utilizados para predição de falhas foram Random Forest, Support Vector Machine e Multilayer Perceptron, e suas acurácias foram comparadas para seleção do melhor modelo. | - |
| Formato: dc.format | application/pdf | - |
| Idioma: dc.language | pt_BR | - |
| Publicador: dc.publisher | Universidade Tecnológica Federal do Paraná | - |
| Publicador: dc.publisher | Ponta Grossa | - |
| Publicador: dc.publisher | Brasil | - |
| Publicador: dc.publisher | Departamento Acadêmico de Engenharia Mecânica | - |
| Publicador: dc.publisher | Engenharia Mecânica | - |
| Publicador: dc.publisher | UTFPR | - |
| Direitos: dc.rights | openAccess | - |
| Direitos: dc.rights | http://creativecommons.org/licenses/by/4.0/ | - |
| Palavras-chave: dc.subject | Fábricas - Manutenção | - |
| Palavras-chave: dc.subject | Localização de falhas (Engenharia) | - |
| Palavras-chave: dc.subject | Controle preditivo | - |
| Palavras-chave: dc.subject | Aprendizado do computador | - |
| Palavras-chave: dc.subject | Plant maintenance | - |
| Palavras-chave: dc.subject | Fault location (Engineering) | - |
| Palavras-chave: dc.subject | Predictive control | - |
| Palavras-chave: dc.subject | Machine learning | - |
| Palavras-chave: dc.subject | CNPQ::ENGENHARIAS::ENGENHARIA MECANICA | - |
| Título: dc.title | Aplicação de técnicas de machine learning na análise preditiva de falhas para otimização da manutenção industrial | - |
| Título: dc.title | Application of machine learning techniques in predictive analysis of failures for industrial maintenance optimization | - |
| Tipo de arquivo: dc.type | livro digital | - |
| Aparece nas coleções: | Repositorio Institucional da UTFPR - RIUT | |
O Portal eduCAPES é oferecido ao usuário, condicionado à aceitação dos termos, condições e avisos contidos aqui e sem modificações. A CAPES poderá modificar o conteúdo ou formato deste site ou acabar com a sua operação ou suas ferramentas a seu critério único e sem aviso prévio. Ao acessar este portal, você, usuário pessoa física ou jurídica, se declara compreender e aceitar as condições aqui estabelecidas, da seguinte forma: