Atenção: Todas as denúncias são sigilosas e sua identidade será preservada.
Os campos nome e e-mail são de preenchimento opcional
Metadados | Descrição | Idioma |
---|---|---|
Autor(es): dc.contributor | Ferreira, Vitor Hugo | - |
Autor(es): dc.contributor | Pinho, Andre da Costa | - |
Autor(es): dc.contributor | Daniel, Luciano de Oliveira | - |
Autor(es): dc.creator | Martins, Ricardo Bohadana | - |
Data de aceite: dc.date.accessioned | 2024-07-11T17:29:40Z | - |
Data de disponibilização: dc.date.available | 2024-07-11T17:29:40Z | - |
Data de envio: dc.date.issued | 2022-07-27 | - |
Data de envio: dc.date.issued | 2022-07-27 | - |
Data de envio: dc.date.issued | 2021 | - |
Fonte completa do material: dc.identifier | http://app.uff.br/riuff/handle/1/25868 | - |
Fonte: dc.identifier.uri | http://educapes.capes.gov.br/handle/capes/751458 | - |
Descrição: dc.description | Automação industrial, robótica, internet das coisas, inteligência artificial, Big Data e computação em nuvem são algumas das inovações trazidas pela quarta revolução industrial. O desenvolvimento dessas tecnologias tem aplicação direta na gestão de ativos dentro de diversos setores que utilizam equipamentos e máquinas sujeitos a falhas e quebras. Nessa perspectiva, algumas empresas já iniciaram o desenvolvimento de soluções de gestão de ativos baseadas na manutenção preditiva, como a plataforma Predix da GE e a Siemens Energy Global. A partir disso, este trabalho realiza o desenvolvimento de uma solução baseada em machine learning com o objetivo de auxiliar a tomada de decisão em estratégias preditivas. A solução é desenvolvida utilizando algoritmos e técnicas de desenvolvimento e treinamento de redes neurais em Python, com o uso de bibliotecas de código aberto conhecidas (como TensorFlow e Keras), além de se basear em um banco de dados público da Microsoft Azure AI Gallery, disponível para aplicações de manutenção preditiva. Foi identificada a capacidade de prever, com um tempo razoável de antecedência, a falha de ativos, possibilitando aos engenheiros de manutenção responsáveis, avaliar e agendar intervenções, reduzindo a quantidade de falhas, manutenções e aumentando o tempo de disponibilidade e vida útil das máquinas e equipamentos. | - |
Descrição: dc.description | Industrial automation, robotics, internet of things, artificial intelligence, Big Data and cloud computing are some of the innovations brought by the fourth industrial revolution. The development of these technologies has direct application in asset management within several sectors that use equipment and machines subject to failures and breakdowns. In this perspective, some companies have already started developing asset management solutions based on predictive maintenance, such as GE’s Predix platform and Siemens Energy Global. Thus, this paper carries out the development of a machine learning solution in order to assist decision making in predictive strategies. The development is made using algorithms and techniques for modelling and training neural networks in Python, using well-known open-source libraries (such as TensorFlow and Keras) and a predictive maintenance database made publicly available by Microsoft Azure AI Gallery. The main achievement was the model’s capability of predicting, with a reasonable amount of time in advance, asset failure, allowing responsible maintenance engineers to schedule interventions, hence reducing the total number of failures, maintenance costs, machinery downtime and increasing useful lifetime. | - |
Descrição: dc.description | 82 p. | - |
Formato: dc.format | application/pdf | - |
Idioma: dc.language | pt_BR | - |
Direitos: dc.rights | Open Access | - |
Direitos: dc.rights | CC-BY-SA | - |
Palavras-chave: dc.subject | Gestão de ativos | - |
Palavras-chave: dc.subject | Aprendizado de máquina | - |
Palavras-chave: dc.subject | Manutenção preditiva | - |
Palavras-chave: dc.subject | Aprendizado de máquina | - |
Palavras-chave: dc.subject | Gestão de ativo | - |
Palavras-chave: dc.subject | Energia elétrica | - |
Palavras-chave: dc.subject | Produção intelectual | - |
Palavras-chave: dc.subject | Machine learning | - |
Palavras-chave: dc.subject | Asset management | - |
Palavras-chave: dc.subject | Predictive maintenance | - |
Título: dc.title | Desenvolvimento de solução computacional baseada em machine learning para apoio à manutenção preditiva | - |
Tipo de arquivo: dc.type | Trabalho de conclusão de curso | - |
Aparece nas coleções: | Repositório Institucional da Universidade Federal Fluminense - RiUFF |
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: