
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 | Bombacini, Marcos Roberto | - |
| Autor(es): dc.contributor | Bombacini, Marcos Roberto | - |
| Autor(es): dc.contributor | Konopatzki, Evandro André | - |
| Autor(es): dc.contributor | Sousa, Mauri Wagner de | - |
| Autor(es): dc.creator | Miranda, Carlos Eduardo Barbosa | - |
| Data de aceite: dc.date.accessioned | 2025-08-29T13:12:57Z | - |
| Data de disponibilização: dc.date.available | 2025-08-29T13:12:57Z | - |
| Data de envio: dc.date.issued | 2025-05-17 | - |
| Data de envio: dc.date.issued | 2025-05-17 | - |
| Data de envio: dc.date.issued | 2023-11-07 | - |
| Fonte completa do material: dc.identifier | http://repositorio.utfpr.edu.br/jspui/handle/1/36827 | - |
| Fonte: dc.identifier.uri | http://educapes.capes.gov.br/handle/capes/1109315 | - |
| Descrição: dc.description | This study focuses on the application of logistic regression as a machine learning technique to improve the maintenance of General Electric GE 1.5 T Magnetic Resonance Imaging machines. Given the context of machine reliability and continuity associated with equipment failures, the need to optimize maintenance and minimize unexpected interruptions is crucial to ensure operational efficiency and customer satisfaction. The objectives of the study were to identify tools and theoretical references related to binary logistic regression and its methods, to collect data from temperature, pressure, and flow sensors through a datalogger installed on the machine, and to validate the capacity of the logistic regression model in the utilized database. To achieve these objectives, in addition to the data collection, Microsoft Excel was used for constructing the database, and the software Orange was utilized for the application of the regression model. For model validation, metric analysis such as the ROC curve and the confusion matrix were employed, also comparing with other prediction methods. The results demonstrated the efficacy of logistic regression in predicting potential failures, highlighting its potential as a tool for supporting predictive maintenance. The successful analysis of the test data confirmed the model’s ability to identify the operational status of the Magnetic Resonance Imaging machine, thus contributing to the optimization of maintenance management. The predictive capacity of this approach provides support for data-driven decision-making and contributes to the efficiency and reliability of Magnetic Resonance Imaging services. | - |
| Descrição: dc.description | Este estudo foca na aplicação da regressão logística como uma técnica de machine learning para aprimorar a manutenção de máquinas de Ressonância Magnética General Eletric (GE) 1.5 T. Dado o contexto de confiabilidade da máquina e continuidade associados as falhas dos equipamentos, a necessidade de otimizar a manutenção e minimizar interrupções inesperadas é crucial para garantir a eficiência operacional e a satisfação do cliente. Os objetivos do trabalho foram identificar as ferramentas e referências teóricas relacionadas à regressão logística binária e seus métodos. Realizar a coleta dos dados de sensores de temperatura, pressão e fluxo por meio de um datalogger instalado na máquina. Validar a capacidade do modelo de regressão logística no banco de dados utilizado. Para atingir esses objetivos, além da coleta de dados realizada, utilizou-se o Microsoft Excel para a construção do banco de dados, o software Orange para a aplicação do modelo de regressão. Para validação do modelo, a análise de métricas como a curva ROC e a matriz de confusão, comparando também com outros métodos de predição. Os resultados demonstraram a eficácia da regressão logística na previsão de possíveis falhas, evidenciando seu potencial como ferramenta de suporte à manutenção preditiva. A análise bem-sucedida dos dados de teste confirmou a capacidade do modelo de identificar o status operacional da máquina de Ressonância Magnética, contribuindo assim para a otimização da gestão de manutenção. A capacidade preditiva dessa abordagem fornece suporte para a tomada de decisões baseadas em dados e contribuem para a eficiência e confiabilidade dos serviços de Ressonância Magnética. | - |
| Formato: dc.format | application/pdf | - |
| Idioma: dc.language | pt_BR | - |
| Publicador: dc.publisher | Universidade Tecnológica Federal do Paraná | - |
| Publicador: dc.publisher | Toledo | - |
| Publicador: dc.publisher | Brasil | - |
| Publicador: dc.publisher | Engenharia Eletrônica | - |
| Publicador: dc.publisher | UTFPR | - |
| Direitos: dc.rights | openAccess | - |
| Direitos: dc.rights | https://creativecommons.org/licenses/by-nc-sa/4.0/deed.en | - |
| Palavras-chave: dc.subject | Ressonância magnética | - |
| Palavras-chave: dc.subject | Diagnóstico por imagem | - |
| Palavras-chave: dc.subject | Análise de regressão | - |
| Palavras-chave: dc.subject | Aparelhos e materiais elétricos - Manutenção e reparos | - |
| Palavras-chave: dc.subject | Magnetic resonance | - |
| Palavras-chave: dc.subject | Diagnostic imaging | - |
| Palavras-chave: dc.subject | Regression analysis | - |
| Palavras-chave: dc.subject | Electric apparatus and appliances - Maintenance and repair | - |
| Palavras-chave: dc.subject | CNPQ::ENGENHARIAS::ENGENHARIA ELETRICA | - |
| Título: dc.title | Aplicação da regressão logística binária para manutenção preditiva em máquinas de ressonância magnética | - |
| Título: dc.title | Application of binary logistic regression for predictive maintenance in magnetic resonance machines | - |
| 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: