Análise Comparativa e Aperfeiçoamento de Técnicas de Manutenção Preditiva na Indústria 4.0 usando Redes Neurais Profundas

• Processo: 23/10429-6
• Modalidade de apoio: Bolsas no Brasil - Iniciação Científica
• Data de Início da vigência: 01 de janeiro de 2024
• Data de Término da vigência: 31 de dezembro de 2024
• Área de conhecimento: Ciências Exatas e da Terra - Ciência da Computação - Sistemas de Computação
• Pesquisador responsável: Lilian Berton
• Beneficiário: Lucas Molinari
• Instituição Sede: Instituto de Ciência e Tecnologia (ICT). Universidade Federal de São Paulo (UNIFESP). Campus São José dos Campos. São José dos Campos , SP, Brasil
• Assunto(s): Aprendizado computacional Indústria 4.0 Manutenção preditiva Redes neurais Inteligência artificial
• Palavra(s)-Chave do Pesquisador: Aprendizado de Máquina | Industria 4 | Manutencao preditiva | Redes neurais | 0 | Inteligência Artificial

Resumo

A manutenção preditiva trata do monitoramento periódico de equipamentos ou máquinas, por meio de dados coletados em medições de campo como temperatura, vibração, termografia, etc. Com isso, temos diversos benefícios, como prever a necessidade de manutenção dos equipamentos, reduzir paradas de emergência e aumentar a vida útil e o tempo de disponibilidade dos equipamentos. Os algoritmos de aprendizado de máquina podem aprender novas informações e detectar padrões ao longo do tempo. A partir de sensores que coletam dados em tempo real e conjuntos de dados históricos de ativos monitorados, os algoritmos de aprendizado de máquina podem prever o que dará errado e quando. O presente trabalho visa estudar este tema e aplicá-lo à manutenção preditiva utilizando técnicas de aprendizado de máquina, especialmente redes neurais profundas fazendo um comparativo das abordagens. Também desenvolveremos o front end para o sistema de manutenção de equipamentos, com o objetivo de fornecer uma solução eficiente e intuitiva que auxilie as empresas na gestão e manutenção de seus equipamentos, fornecendo informações precisas e em tempo real sobre a saúde das máquinas.