Prognosis & Health Management System (PHMS): a machine learning framework to support decision-making in predictive maintenance in a production system

• Ano de defesa: 2023
• Autor(a) principal: Souza, Marcos Leandro Hoffmann
• Orientador(a): Costa, Cristiano André da
• Tipo de documento: Tese
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Universidade do Vale do Rio dos Sinos
• Programa de Pós-Graduação: Programa de Pós-Graduação em Computação Aplicada
• Departamento: Escola Politécnica
• País: Brasil
• Palavras-chave em Português: Tomada de decisão; Indústria 4.0; Internet das Coisas; Aprendizagem de máquina; Confiabilidade; Vida útil restante
• Palavras-chave em Inglês: Decision-making; Industry 4.0; Internet of Things; Deep learning; Machine learning; Reliability; Remaining useful life
• Área do conhecimento CNPq: ACCNPQ::Ciências Exatas e da Terra::Ciência da Computação
• Link de acesso: http://www.repositorio.jesuita.org.br/handle/UNISINOS/12443

A busca pela utilização efetiva dos ativos de produção tem sido constante, principalmente em indústrias com mecanização em evolução. Desta forma, a gestão da manutenção ganha visibilidade por ser responsável por garantir a disponibilidade dos ativos. A manutenção preditiva (MP) é uma das principais estratégias de gestão da manutenção. Permite a detecção precoce de falhas, evitando paradas não programadas e custos desnecessários. À medida que as tecnologias avançaram, a manutenção preditiva contribui para que gestão e prognóstico de saúde seja aperfeiçoada e fornece os meios para reconhecer padrões, entender anomalias e estimar a vida útil restante do equipamento. Paralelamente, tecnologias como internet das coisas, aprendizagem de máquina e computação em nuvem permitem a digitalização de ativos, proporcionando uma manufatura inteligente. No entanto, este cenário torna a MP uma tarefa complexa e cara quando aplicada a sistemas com equipamentos interligados em série. Por um lado, os dados são abundantemente gerados, coletados e armazenados. Por outro lado, há dificuldade em converter os dados em informações úteis para suportar MP e gestão e prognóstico de saúde. Diante das lacunas referentes a MP e confiabilidade, sugerimos nesta tese o Prognosis and Health Management System (PHMS) que é suportado por um framework analítico que utiliza um conjunto de técnicas e modelos aprendizagem de máquina. Para avaliar a proposição, realizamos um estudo de caso com dados reais da indústria de processo. No desenvolvimento do framework usamos aprendizagem de máquina semi-supervisionado com Autoencoder (AE) para construção do limiar operacional e identificação de anomalias. Para a etapa de identificação de variáveis aplicamos o XGBoost e o método SHAP. Na sequência, testamos diferentes arquiteturas de aprendizagem profunda para previsão de vida útil restante do sistema. Na previsão vida útil restante apresentamos diferentes arquiteturas de aprendizagem profunda. Neste sentido, destacamos a arquitetura de aprendizagem profunda N-BEATS como uma alternativa importante, em comparação com arquiteturas tradicionais como Redes Neurais Recorrentes (RNN). Por meio do framework aplicado ao estudo de caso, foi possível identificar uma anomalia, o comportamento das variáveis mais relevantes para a falha, e prever a vida útil restante do equipamento com R2 superior a 90% com o N BEATS. Desta forma, de acordo com os resultados apresentados, as equipes de operação e manutenção podem realizar ações preventivas evitando paradas não programadas do sistema produtivo. Neste sentido, o desenvolvimento do framework contribui para a adoção de tecnologias emergentes em processos reais. Além dos benefícios apresentados, destacamos o desenvolvimento de estudos de MP em dados reais desconhecidos do ambiente acadêmico. Chamamos atenção para este ponto, pois a ampla maioria dos estudos de confiabilidade são realizados sobre dados amplamente conhecidos e tratados.