Metodologia para a manutenção preditiva dos turbocompressores de veículos comerciais utilizando redes neurais recorrentes bidirecionais

Detalhes bibliográficos
Ano de defesa: 2023
Autor(a) principal: Freitas, Tiago Nascimento De
Orientador(a): Não Informado pela instituição
Banca de defesa: Não Informado pela instituição
Tipo de documento: Dissertação
Tipo de acesso: Acesso aberto
Idioma: por
Instituição de defesa: Não Informado pela instituição
Programa de Pós-Graduação: Não Informado pela instituição
Departamento: Não Informado pela instituição
País: Não Informado pela instituição
Palavras-chave em Português:
INTELIGÊNCIA ARTIFICIAL
APRENDIZADO DE MÁQUINAS
REDES NEURAIS RECORRENTES BIDIRECIONAIS
MANUTENÇÃO PREDITIVA
TURBOCOMPRESSOR
ARTIFICIAL INTELLIGENCE
MACHINE LEARNING
BI-DIRECTIONAL RECURRENT NEURAL NETWORKS
PREDICTIVE MAINTENANCE
TURBOCHARGER
PROGRAMA DE PÓS GRADUAÇÃO EM ENGENHARIA E GESTÃO DA INOVAÇÃO
Link de acesso: http://biblioteca.ufabc.edu.br/index.php?codigo_sophia=126290
Resumo: Orientador(a): Prof(a). Dr(a). Ricardo Gaspar
id UFBC_1df815bf2c412ec76ef18b8338390a6a
oai_identifier_str oai:BDTD:126290
network_acronym_str UFBC
network_name_str Repositório Institucional da UFABC
repository_id_str
spelling Metodologia para a manutenção preditiva dos turbocompressores de veículos comerciais utilizando redes neurais recorrentes bidirecionaisINTELIGÊNCIA ARTIFICIALAPRENDIZADO DE MÁQUINASREDES NEURAIS RECORRENTES BIDIRECIONAISMANUTENÇÃO PREDITIVATURBOCOMPRESSORARTIFICIAL INTELLIGENCEMACHINE LEARNINGBI-DIRECTIONAL RECURRENT NEURAL NETWORKSPREDICTIVE MAINTENANCETURBOCHARGERPROGRAMA DE PÓS GRADUAÇÃO EM ENGENHARIA E GESTÃO DA INOVAÇÃOOrientador(a): Prof(a). Dr(a). Ricardo GasparDissertação (mestrado) - Universidade Federal do ABC, Programa de Pós Graduação em Engenharia E Gestão Da Inovação. São Bernardo do Campo, 2023Novas tecnologias e soluções sustentáveis de transportes não são mais um diferencial, mas sim a base da missão e dos valores das grandes empresas, que buscam se manter no mercado com lucratividade, sustentabilidade e responsabilidade social. Oferecer uma solução de serviços personalizados para os clientes por meio de um sistema de manutenção preditiva, aumentando a disponibilidade, a vida útil do veículo e reduzindo os custos operacionais tornam as empresas mais competitivas e atrativas, além de garantir o melhor desempenho do veículo. Esta pesquisa propõe uma metodologia para a identificação da integridade e predição da necessidade de manutenção em turbocompressores de veículos comerciais, utilizando uma rede neural recorrente Bi-Directional Long Short-Term Memory (BLSTM) e comparando seu desempenho com os modelos Random Forest (RF) e Long Short-Term Memory (LSTM). A metodologia utiliza dados reais da indústria, obtidos a partir do histórico de oficina e dados operacionais registrados, e emprega técnicas de mineração de dados para análise detalhada das variáveis, composição do conjunto de dados e construção do modelo preditivo. Os resultados experimentais mostraram que os modelos preditivos propostos apresentaram desempenho superior em relação às estratégias de manutenção atuais na predição de necessidade de manutenção, com destaque para o modelo BLSTM, que apresentou o melhor desempenho geral e a menor pontuação de custo específico. O teste de McNemar indicou que os modelos têm desempenhos significativamente diferentes na tarefa de classificação, ressaltando a importância da escolha adequada do modelo para garantir uma boa performance na manutenção preditiva dos turbocompressores. A metodologia proposta tem potencial de aplicação em outras bases de dados e componentes de veículos comerciais, contribuindo para a redução de custos com manutenção e aumento da confiabilidade operacional dos veículos, com implicações importantes na indústria automotiva em termos de economia de custos e melhoria da eficiência operacional.New technologies and sustainable transport solutions are no longer a differential, but the foundation of the mission and values of large companies that seek to remain in the market with profitability, sustainability, and social responsibility. Offering personalized service solutions to customers through a predictive maintenance system, increasing vehicle uptime, the remaining useful life and reducing operational costs make companies more competitive and attractive, while ensuring optimal vehicle performance. This research proposes a methodology for integrity identification and maintenance prediction in commercial vehicle turbochargers using a Bi-Directional Long Short-Term Memory (BLSTM) recurrent neural network, comparing its performance with Random Forest (RF) and Long Short-Term Memory (LSTM) models. The methodology utilizes real industry data obtained from workshop history and operational data records, employing data mining techniques for detailed analysis of variables, dataset composition, and predictive model construction. Experimental results showed that the proposed predictive models demonstrated superior performance compared to current maintenance strategies in predicting maintenance needs, with the BLSTM model standing out with the best overall performance and lowest specific cost-score. McNemar's test indicated that the models have significantly different performances in the classification task, emphasizing the importance of appropriate model selection to ensure superior performance in predictive maintenance of turbochargers. The proposed methodology has potential application in other commercial vehicle databases and components, contributing to cost reduction in maintenance and increased operational reliability of vehicles, with significant implications in the automotive industry in terms of cost savings and operational efficiency.Gaspar, RicardoSouza, Calebe Paiva Gomes DeJunior, Luiz Antonio CelibertoUniversidade Federal do ABCFreitas, Tiago Nascimento De2023info:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisapplication/pdf98 f : il.http://biblioteca.ufabc.edu.br/index.php?codigo_sophia=126290http://biblioteca.ufabc.edu.br/index.php?codigo_sophia=126290&midiaext=81171Cover: http://biblioteca.ufabc.edu.br/php/capa.php?obra=126290porreponame:Repositório Institucional da UFABCinstname:Universidade Federal do ABC (UFABC)instacron:UFABCinfo:eu-repo/semantics/openAccess2024-03-04T08:37:10Zoai:BDTD:126290Repositório InstitucionalPUBhttp://www.biblioteca.ufabc.edu.br/oai/oai.phpopendoar:2024-03-04T08:37:10Repositório Institucional da UFABC - Universidade Federal do ABC (UFABC)false
dc.title.none.fl_str_mv Metodologia para a manutenção preditiva dos turbocompressores de veículos comerciais utilizando redes neurais recorrentes bidirecionais
title Metodologia para a manutenção preditiva dos turbocompressores de veículos comerciais utilizando redes neurais recorrentes bidirecionais
spellingShingle Metodologia para a manutenção preditiva dos turbocompressores de veículos comerciais utilizando redes neurais recorrentes bidirecionais
Freitas, Tiago Nascimento De
INTELIGÊNCIA ARTIFICIAL
APRENDIZADO DE MÁQUINAS
REDES NEURAIS RECORRENTES BIDIRECIONAIS
MANUTENÇÃO PREDITIVA
TURBOCOMPRESSOR
ARTIFICIAL INTELLIGENCE
MACHINE LEARNING
BI-DIRECTIONAL RECURRENT NEURAL NETWORKS
PREDICTIVE MAINTENANCE
TURBOCHARGER
PROGRAMA DE PÓS GRADUAÇÃO EM ENGENHARIA E GESTÃO DA INOVAÇÃO
title_short Metodologia para a manutenção preditiva dos turbocompressores de veículos comerciais utilizando redes neurais recorrentes bidirecionais
title_full Metodologia para a manutenção preditiva dos turbocompressores de veículos comerciais utilizando redes neurais recorrentes bidirecionais
title_fullStr Metodologia para a manutenção preditiva dos turbocompressores de veículos comerciais utilizando redes neurais recorrentes bidirecionais
title_full_unstemmed Metodologia para a manutenção preditiva dos turbocompressores de veículos comerciais utilizando redes neurais recorrentes bidirecionais
title_sort Metodologia para a manutenção preditiva dos turbocompressores de veículos comerciais utilizando redes neurais recorrentes bidirecionais
author Freitas, Tiago Nascimento De
author_facet Freitas, Tiago Nascimento De
author_role author
dc.contributor.none.fl_str_mv Gaspar, Ricardo
Souza, Calebe Paiva Gomes De
Junior, Luiz Antonio Celiberto
Universidade Federal do ABC
dc.contributor.author.fl_str_mv Freitas, Tiago Nascimento De
dc.subject.por.fl_str_mv INTELIGÊNCIA ARTIFICIAL
APRENDIZADO DE MÁQUINAS
REDES NEURAIS RECORRENTES BIDIRECIONAIS
MANUTENÇÃO PREDITIVA
TURBOCOMPRESSOR
ARTIFICIAL INTELLIGENCE
MACHINE LEARNING
BI-DIRECTIONAL RECURRENT NEURAL NETWORKS
PREDICTIVE MAINTENANCE
TURBOCHARGER
PROGRAMA DE PÓS GRADUAÇÃO EM ENGENHARIA E GESTÃO DA INOVAÇÃO
topic INTELIGÊNCIA ARTIFICIAL
APRENDIZADO DE MÁQUINAS
REDES NEURAIS RECORRENTES BIDIRECIONAIS
MANUTENÇÃO PREDITIVA
TURBOCOMPRESSOR
ARTIFICIAL INTELLIGENCE
MACHINE LEARNING
BI-DIRECTIONAL RECURRENT NEURAL NETWORKS
PREDICTIVE MAINTENANCE
TURBOCHARGER
PROGRAMA DE PÓS GRADUAÇÃO EM ENGENHARIA E GESTÃO DA INOVAÇÃO
description Orientador(a): Prof(a). Dr(a). Ricardo Gaspar
publishDate 2023
dc.date.none.fl_str_mv 2023
dc.type.status.fl_str_mv info:eu-repo/semantics/publishedVersion
dc.type.driver.fl_str_mv info:eu-repo/semantics/masterThesis
format masterThesis
status_str publishedVersion
dc.identifier.uri.fl_str_mv http://biblioteca.ufabc.edu.br/index.php?codigo_sophia=126290
url http://biblioteca.ufabc.edu.br/index.php?codigo_sophia=126290
dc.language.iso.fl_str_mv por
language por
dc.relation.none.fl_str_mv http://biblioteca.ufabc.edu.br/index.php?codigo_sophia=126290&midiaext=81171
Cover: http://biblioteca.ufabc.edu.br/php/capa.php?obra=126290
dc.rights.driver.fl_str_mv info:eu-repo/semantics/openAccess
eu_rights_str_mv openAccess
dc.format.none.fl_str_mv application/pdf
98 f : il.
dc.source.none.fl_str_mv reponame:Repositório Institucional da UFABC
instname:Universidade Federal do ABC (UFABC)
instacron:UFABC
instname_str Universidade Federal do ABC (UFABC)
instacron_str UFABC
institution UFABC
reponame_str Repositório Institucional da UFABC
collection Repositório Institucional da UFABC
repository.name.fl_str_mv Repositório Institucional da UFABC - Universidade Federal do ABC (UFABC)
repository.mail.fl_str_mv
_version_ 1799773509270896640

Registros relacionados