Manutenção preditiva com recurso a Machine Learning

Abstract

A presente dissertação foi desenvolvida no âmbito do Mestrado em Engenharia Eletrotécnica e de Computadores, ramo de Controlo, Robótica e Inteligência Artificial, da Faculdade de Engenharia da Universidade de Coimbra.A crescente competitividade do mercado aliada ao aumento da automatização impulsionado pelo advento da Indústria põe em destaque a importância da manutenção no seio das organizações. Simultaneamente, a quantidade de dados capazes de ser extraídos de sistemas industriais aumentou de forma exponencial devido à proliferação de sensores, dispositivos de transmissão e armazenamento de dados via Internet of Things. Estes dados, quando processados e analisados, podem fornecer informações e conhecimentos valiosos acerca dos equipamentos, permitindo uma movimentação no sentido de uma manutenção preditiva.A manutenção é fundamental para a competitividade de uma empresa, uma vez que as ações realizadas a esse nível têm impacto direto em aspetos como o custo e qualidade dos produtos. Assim, falhas nos equipamentos necessitam de ser identificadas e resolvidas. As ferramentas de Inteligência Artificial, em particular o Machine Learning, exibem um enorme potencial na análise de grandes quantidades de dados, agora prontamente disponíveis, permitindo assim ambicionar uma melhoria na disponibilidade dos sistemas, reduzindo os custos de manutenção, aumentando o desempenho operacional e ainda a capacidade de apoio na tomada de decisão. Na presente dissertação, aplicam-se ferramentas de Inteligência Artificial, mais especificamente de Machine Learning, a um conjunto de dados disponibilizados pela Vestas e procura-se analisar as especificidades desta implementação assim como a definição de metodologias, com vista a permitir fornecer informações e ferramentas à área da manutenção.

The present dissertation was developed in the context of the Integrated Master’sDegree in Electrical And Computers Engineering, specialization in Control, Robotics and Artificial inteligence, in the Faculty of Engineering of the University of Coimbra.The growing competitiveness of the market, coupled with the increase in automation driven by the advent of the Industry, highlights the importance of maintenance within organizations. At the same time, the amount of data capable of being extracted from industrial systems has increased exponentially due to the proliferation of sensors, transmission devices and data storage via Internet of Things. These data, when processed and analyzed, can provide valuable information and knowledge about the equipment, allowing a move towards predictive maintenance.Maintenance is fundamental to a company’s competitiveness, since actions taken at this level have a direct impact on aspects such as cost and quality of products. Hence, equipment failures need to be identified and resolved. Artificial Intelligence tools, in particular Machine Learning, exhibit enormous potential in the analysis of large amounts of data, now readily available, thus aiming to improve the availability of systems, reducing maintenance costs, increasing operational performance and support in decision making. In this dissertation, Artificial Intelligence tools, more specifically Machine Learning, are applied to a set of data made available from Vestas and the specifics of this implementation are analyzed as well as the definition of methodologies, in order to provide information and tools to the maintenance area.