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: | |
Orientador(a): | |
Banca de defesa: | |
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: | |
Palavras-chave em Inglês: | |
Área do conhecimento CNPq: | |
Link de acesso: | http://www.repositorio.jesuita.org.br/handle/UNISINOS/12443 |
Resumo: | 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. |
id |
USIN_23fd911a46036de7f94358aaef5b3a70 |
---|---|
oai_identifier_str |
oai:www.repositorio.jesuita.org.br:UNISINOS/12443 |
network_acronym_str |
USIN |
network_name_str |
Repositório Institucional da UNISINOS (RBDU Repositório Digital da Biblioteca da Unisinos) |
repository_id_str |
|
spelling |
2023-06-01T13:31:42Z2023-06-01T13:31:42Z2023-02-23Submitted by Jeferson Carlos da Veiga Rodrigues (jveigar@unisinos.br) on 2023-06-01T13:31:42Z No. of bitstreams: 1 Marcos Leandro Hoffmann Souza_.pdf: 10749162 bytes, checksum: 8ea96ecb754ae7d939fe784c2e3b83cf (MD5)Made available in DSpace on 2023-06-01T13:31:42Z (GMT). No. of bitstreams: 1 Marcos Leandro Hoffmann Souza_.pdf: 10749162 bytes, checksum: 8ea96ecb754ae7d939fe784c2e3b83cf (MD5) Previous issue date: 2023-02-23A 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.The search for the effective use of production assets has been constant, mainly in industries with evolving mechanization. In this way, maintenance management gains visibility as it ensures asset availability. Predictive maintenance (PDM) is one of the main maintenance management strategies. Allows early detection of failures, avoiding unscheduled downtime and unnecessary costs. As technologies have advanced, predictive maintenance improves Prognosis and Health Management (PHM). It provides the means to recognize patterns, understand anomalies and estimate the equipment’s remaining useful life (RUL). At the same time, technologies such as the internet of things (IoT), machine learning (ML), and cloud computing enable the digitization of assets, providing intelligent manufacturing. However, this scenario makes PDM a complex and expensive task when applied to systems with equipment connected in series. On the one hand, data is abundantly generated, collected, and stored. On the other hand, it is difficult to convert data into useful information to support PDM and PHM. Given the gaps related to PDM and reliability, we suggest the Prognosis and Health Management System (PHMS) in this thesis, which is supported by an analytical framework that uses a set of techniques and ML. First, we performed a case study to evaluate the proposition with real data from the process industry. In developing the framework, we used semi-supervised ML with Autoencoder (AE) to build the operational threshold and identify anomalies. For the Feature Identification step, we applied XGBoost and the SHAP method. Next, we test different deep learning architectures to predict the RUL of the system. In the RUL prediction, we present different deep learning architectures. In this sense, we highlight the N-BEATS deep learning architecture as an essential alternative to traditional architectures such as Recurrent Neural Networks (RNN). Through the framework applied to the case study, it was possible to identify an anomaly and the behavior of the most relevant variables for the failure and predict the RUL of the equipment with R2 greater than 90% with N-BEATS. In this way, according to the results presented, the operation and maintenance teams can carry out preventive actions, avoiding unscheduled stops of the production system. In this sense, the development of the framework contributes to the adoption of emerging technologies in real processes. In addition to the benefits presented, we highlight the development of PDM studies on real data unknown in the academic environment. We draw attention to this point, as most reliability studies are based on widely known and treated data.NenhumaSouza, Marcos Leandro Hoffmannhttp://lattes.cnpq.br/2420878841218342http://lattes.cnpq.br/9637121030877187Ramos, Gabriel de Oliveirahttp://lattes.cnpq.br/9281736089055094Costa, Cristiano André daUniversidade do Vale do Rio dos SinosPrograma de Pós-Graduação em Computação AplicadaUnisinosBrasilEscola PolitécnicaPrognosis & Health Management System (PHMS): a machine learning framework to support decision-making in predictive maintenance in a production systemACCNPQ::Ciências Exatas e da Terra::Ciência da ComputaçãoTomada de decisãoIndústria 4.0Internet das CoisasAprendizagem de máquinaConfiabilidadeVida útil restanteDecision-makingIndustry 4.0Internet of ThingsDeep learningMachine learningReliabilityRemaining useful lifeinfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/doctoralThesishttp://www.repositorio.jesuita.org.br/handle/UNISINOS/12443info:eu-repo/semantics/openAccessporreponame:Repositório Institucional da UNISINOS (RBDU Repositório Digital da Biblioteca da Unisinos)instname:Universidade do Vale do Rio dos Sinos (UNISINOS)instacron:UNISINOSLICENSElicense.txtlicense.txttext/plain; charset=utf-82175http://repositorio.jesuita.org.br/bitstream/UNISINOS/12443/2/license.txt320e21f23402402ac4988605e1edd177MD52ORIGINALMarcos Leandro Hoffmann Souza_.pdfMarcos Leandro Hoffmann Souza_.pdfapplication/pdf10749162http://repositorio.jesuita.org.br/bitstream/UNISINOS/12443/1/Marcos+Leandro+Hoffmann+Souza_.pdf8ea96ecb754ae7d939fe784c2e3b83cfMD51UNISINOS/124432023-06-01 10:33:08.442oai:www.repositorio.jesuita.org.br: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 Digital de Teses e Dissertaçõeshttp://www.repositorio.jesuita.org.br/oai/requestopendoar:2023-06-01T13:33:08Repositório Institucional da UNISINOS (RBDU Repositório Digital da Biblioteca da Unisinos) - Universidade do Vale do Rio dos Sinos (UNISINOS)false |
dc.title.pt_BR.fl_str_mv |
Prognosis & Health Management System (PHMS): a machine learning framework to support decision-making in predictive maintenance in a production system |
title |
Prognosis & Health Management System (PHMS): a machine learning framework to support decision-making in predictive maintenance in a production system |
spellingShingle |
Prognosis & Health Management System (PHMS): a machine learning framework to support decision-making in predictive maintenance in a production system Souza, Marcos Leandro Hoffmann ACCNPQ::Ciências Exatas e da Terra::Ciência da Computação Tomada de decisão Indústria 4.0 Internet das Coisas Aprendizagem de máquina Confiabilidade Vida útil restante Decision-making Industry 4.0 Internet of Things Deep learning Machine learning Reliability Remaining useful life |
title_short |
Prognosis & Health Management System (PHMS): a machine learning framework to support decision-making in predictive maintenance in a production system |
title_full |
Prognosis & Health Management System (PHMS): a machine learning framework to support decision-making in predictive maintenance in a production system |
title_fullStr |
Prognosis & Health Management System (PHMS): a machine learning framework to support decision-making in predictive maintenance in a production system |
title_full_unstemmed |
Prognosis & Health Management System (PHMS): a machine learning framework to support decision-making in predictive maintenance in a production system |
title_sort |
Prognosis & Health Management System (PHMS): a machine learning framework to support decision-making in predictive maintenance in a production system |
author |
Souza, Marcos Leandro Hoffmann |
author_facet |
Souza, Marcos Leandro Hoffmann |
author_role |
author |
dc.contributor.authorLattes.pt_BR.fl_str_mv |
http://lattes.cnpq.br/2420878841218342 |
dc.contributor.advisorLattes.pt_BR.fl_str_mv |
http://lattes.cnpq.br/9637121030877187 |
dc.contributor.author.fl_str_mv |
Souza, Marcos Leandro Hoffmann |
dc.contributor.advisor-co1.fl_str_mv |
Ramos, Gabriel de Oliveira |
dc.contributor.advisor-co1Lattes.fl_str_mv |
http://lattes.cnpq.br/9281736089055094 |
dc.contributor.advisor1.fl_str_mv |
Costa, Cristiano André da |
contributor_str_mv |
Ramos, Gabriel de Oliveira Costa, Cristiano André da |
dc.subject.cnpq.fl_str_mv |
ACCNPQ::Ciências Exatas e da Terra::Ciência da Computação |
topic |
ACCNPQ::Ciências Exatas e da Terra::Ciência da Computação Tomada de decisão Indústria 4.0 Internet das Coisas Aprendizagem de máquina Confiabilidade Vida útil restante Decision-making Industry 4.0 Internet of Things Deep learning Machine learning Reliability Remaining useful life |
dc.subject.por.fl_str_mv |
Tomada de decisão Indústria 4.0 Internet das Coisas Aprendizagem de máquina Confiabilidade Vida útil restante |
dc.subject.eng.fl_str_mv |
Decision-making Industry 4.0 Internet of Things Deep learning Machine learning Reliability Remaining useful life |
description |
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. |
publishDate |
2023 |
dc.date.accessioned.fl_str_mv |
2023-06-01T13:31:42Z |
dc.date.available.fl_str_mv |
2023-06-01T13:31:42Z |
dc.date.issued.fl_str_mv |
2023-02-23 |
dc.type.status.fl_str_mv |
info:eu-repo/semantics/publishedVersion |
dc.type.driver.fl_str_mv |
info:eu-repo/semantics/doctoralThesis |
format |
doctoralThesis |
status_str |
publishedVersion |
dc.identifier.uri.fl_str_mv |
http://www.repositorio.jesuita.org.br/handle/UNISINOS/12443 |
url |
http://www.repositorio.jesuita.org.br/handle/UNISINOS/12443 |
dc.language.iso.fl_str_mv |
por |
language |
por |
dc.rights.driver.fl_str_mv |
info:eu-repo/semantics/openAccess |
eu_rights_str_mv |
openAccess |
dc.publisher.none.fl_str_mv |
Universidade do Vale do Rio dos Sinos |
dc.publisher.program.fl_str_mv |
Programa de Pós-Graduação em Computação Aplicada |
dc.publisher.initials.fl_str_mv |
Unisinos |
dc.publisher.country.fl_str_mv |
Brasil |
dc.publisher.department.fl_str_mv |
Escola Politécnica |
publisher.none.fl_str_mv |
Universidade do Vale do Rio dos Sinos |
dc.source.none.fl_str_mv |
reponame:Repositório Institucional da UNISINOS (RBDU Repositório Digital da Biblioteca da Unisinos) instname:Universidade do Vale do Rio dos Sinos (UNISINOS) instacron:UNISINOS |
instname_str |
Universidade do Vale do Rio dos Sinos (UNISINOS) |
instacron_str |
UNISINOS |
institution |
UNISINOS |
reponame_str |
Repositório Institucional da UNISINOS (RBDU Repositório Digital da Biblioteca da Unisinos) |
collection |
Repositório Institucional da UNISINOS (RBDU Repositório Digital da Biblioteca da Unisinos) |
bitstream.url.fl_str_mv |
http://repositorio.jesuita.org.br/bitstream/UNISINOS/12443/2/license.txt http://repositorio.jesuita.org.br/bitstream/UNISINOS/12443/1/Marcos+Leandro+Hoffmann+Souza_.pdf |
bitstream.checksum.fl_str_mv |
320e21f23402402ac4988605e1edd177 8ea96ecb754ae7d939fe784c2e3b83cf |
bitstream.checksumAlgorithm.fl_str_mv |
MD5 MD5 |
repository.name.fl_str_mv |
Repositório Institucional da UNISINOS (RBDU Repositório Digital da Biblioteca da Unisinos) - Universidade do Vale do Rio dos Sinos (UNISINOS) |
repository.mail.fl_str_mv |
|
_version_ |
1797220918209019904 |