Sobre o Projeto

O gerenciamento eficiente da manutenção é importante para o sucesso das indústrias. Boaspráticas de manutenção são indispensáveis para assegurar a continuidade operacional dasplantas, minimizar a ocorrência de paradas emergenciais e aumentar a disponibilidade dosequipamentos para a produção. A redução de paradas não programadas devido a falhasintempestivas, tende a aumentar a produtividade e o tempo de vida útil dos equipamentos, aomesmo tempo que reduz os gastos com intervenções corretivas. O objeto desse projeto é odesenvolvimento de pesquisas sobre a utilização de técnicas de Machine Learning e DeepLearning aplicadas ao desenvolvimento de sistemas de diagnóstico de falhas em processosindustriais. As pesquisas serão realizadas em dois eixos. No primeiro serão utilizados osalgoritmos k-Nearest Neigbour (k-NN), Support Vector Machine (SVM) e Árvore de Decisão parainvestigar a ocorrência de falhas em processos de uma fábrica de cimento. Para a construção dos modelos serão utilizados conjuntos de dados constituídos pelas variáveis temperatura, vibração e pressão, medidos em diferentes pontos da planta. O segundo eixo investigará a aplicação de Redes Neurais Convolucionais (Convolutional Neural Neworks CNN) para detectar e diagnosticar falhas em máquinas rotativas a partir da análise de sinais de vibração. Para a realização dos testes, serão utilizados os sinais de vibração do conjunto de dados Mafaulda que estão associados à nove tipos de falhas, além da condição de funcionamento normal. Outros temas que serão investigados no escopo desse projeto são: seleção e extração de variáveis para redução de dimensionalidade e a aplicação da transformada wavelet na construção de modelos de classificação de falhas. Com a execução desse projeto espera-se que os estudantes nele envolvidos fiquem familiarizados com conceitos de inteligência artificial e detecção de falhas, e desenvolvam apreço pela pesquisa aplicada e pela análise de problemas complexos