Busca avançada
Ano de início
Entree

IMachine IA: sistema de manutenção preditiva online em máquinas elétricas utilizando-se de técnicas de aprendizado de máquina e uma rede de sensores autônoma baseada em tecnologia de colheita de energia

Processo: 19/16538-6
Linha de fomento:Auxílio à Pesquisa - Pesquisa Inovativa em Pequenas Empresas - PIPE
Vigência: 01 de agosto de 2020 - 30 de abril de 2021
Área do conhecimento:Ciências Exatas e da Terra - Ciência da Computação - Sistemas de Computação
Pesquisador responsável:Julio Ezequiel Palacio
Beneficiário:Julio Ezequiel Palacio
Empresa:Itech Soluções Ltda. - ME
CNAE: Desenvolvimento e licenciamento de programas de computador customizáveis
Município: Campinas
Pesq. associados: Leonardo Vieira von Zuben
Bolsa(s) vinculada(s):20/10855-7 - IMachine IA: sistema de manutenção preditiva online em máquinas elétricas utilizando-se de técnicas de aprendizado de máquina e uma rede de sensores autônoma baseada em tecnologia de colheita de energia, BP.TT
20/10301-1 - IMachine IA: sistema de manutenção preditiva online em máquinas elétricas utilizando-se de técnicas de aprendizado de máquina e uma rede de sensores autônoma baseada em tecnologia de colheita de energia, BP.TT
20/10318-1 - IMachine IA: sistema de manutenção preditiva online em máquinas elétricas utilizando-se de técnicas de aprendizado de máquina e uma rede de sensores autônoma baseada em tecnologia de colheita de energia, BP.TT
Assunto(s):Aprendizado computacional  Inteligência artificial  Mineração de dados  Manutenção preditiva  Redes de sensores 

Resumo

Equipamentos mecânicos inevitavelmente estão sujeitos ao desgaste, o que pode levar ao surgimento de defeitos e quebras. Nas indústrias, a quebra de uma máquina pode onerar bastante a produção em termos de tempo e qualidade do serviço. Assim, para que a produtividade em processos fabris, os quais tipicamente possuem uma diversidade significativa de equipamentos e máquinas, alcance resultados positivos, é necessário que todo o parque seja mantido nas melhores condições possíveis de funcionamento. Desta forma, máquinas e equipamentos rotineiramente passam por reparos, inspeções, substituição de peças e óleos, limpezas e correções, muitas vezes de forma programada dentro do que se convencionou a chamar de manutenção. A manutenção de máquinas e equipamentos é, muitas vezes, subdividida em duas categorias, a saber: a manutenção corretiva, a qual envolve reparos após a falha do equipamento; e a manutenção preventiva, a qual envolve um conjunto de medidas para prever e evitar falhas. O foco desta pesquisa de viabilidade é a manutenção preventiva, mais especificamente a manutenção preventiva preditiva. Ao contrário da manutenção preventiva sistemática, a qual simplesmente se baseia no tempo de funcionamento e critérios estatísticos, a manutenção preventiva preditiva considera a análise de dados que estarão em constante monitoramento nas máquinas.O uso de técnicas de Aprendizado de Máquina (ou Machine Learning) na manutenção preditiva (online) vem tomando espaço no campo acadêmico e industrial como uma ferramenta importante de otimização de custos e aumento da eficiência e produtividade. Neste contexto, a análise de vibração e óleo são os principais parâmetros usados para se detectar falhas. A análise de vibração é usada como uma técnica não intrusiva, onde a resposta do sistema mecânico pode ser medida - por esta razão, a variação de vibração será considerada no sistema de manutenção preditiva a ser desenvolvido nesta pesquisa. Especificamente, Aprendizado de Máquina aborda o estudo e desenvolvimento de métodos e algoritmos computacionais capazes de aprender e aperfeiçoar-se a partir dos próprios dados, objetivando-se realizar predições - insights. Como sendo um ramo da Inteligência Artificial, as técnicas de Aprendizado de Máquina, agem de forma mais inteligente do que aquelas formadas a partir de instruções estritamente estáticas, auxiliando na tomada de decisões diretamente a partir da análise de dados do problema tratado. Os algoritmos de Aprendizado de Máquina podem reconhecer padrões nos dados a partir de dois tipos elementares de aprendizado: o aprendizado supervisionado e o aprendizado não supervisionado. Esses dois paradigmas de aprendizado fornecem, respectivamente, fundamentos para o estudo e desenvolvimento dos chamados classificadores e agrupadores de dados. Neste trabalho, serão investigados prioritariamente os classificadores de dados, buscando-se prever a quebra ou falha de elementos mecânicos e elétricos. (AU)