Análise de dados de manutenção usando aprendizado de máquina: estudo de caso em uma peneira vibratória do segmento de mineração

Em busca de um problema recorrente em uma grande empresa de mineração que pudesse ser estudado e abordado, foram realizadas pesquisas e análises em sistemas supervisórios e de aquisição de dados referentes a equipamentos que estão inseridos no processo de beneficiamento do minério, e assim selecionou-se uma peneira para esse estudo que apresentou 109 eventos de falhas dos setores de Elétrica, Instrumentação e Automação durante todo o ano de 2019. A partir dessa escolha foram feitas análises quantitativas e qualitativas, investigações e pesquisas em campo para buscar justificativas para o número elevado de eventos que geraram manutenções. Um Perfil de Perdas, que consiste na estratificação das perdas do processo produtivo por meio de gráficos de Pareto, a fim de identificar quais são as maiores oportunidades de ganho no equipamento foi elaborado. Assim como se fez uso da ferramenta FMEA (Análise dos Modos e Efeitos de Falha) que apontou quais falhas são mais críticas e quais ações com certa prioridade devem ocorrer para que dessa forma se alcance uma maior Confiabilidade do ativo. Neste contexto, entendeu-se a importância de através da Inteligência Artificial e do Aprendizado de Máquina criar um código no MATLAB usando as técnicas PCA e Clustering. Sendo capazes de, a partir de amostras de dados referentes ao funcionamento da peneira, analisar o comportamento desses dados e descobrir o que seriam os que apresentam anomalias, se encaixando em grupos de classe de dados com defeito, e os que não possuem em grupos de classe de dados sem defeito. Para que dessa forma seja possível diagnosticar o equipamento e futuramente, melhorando o código, seja possível até mesmo prever falhas neste e em seus semelhantes, fazendo com que perdas no processo sejam mitigadas.