Aprendizado de máquina para análise de óleo na manutenção preditiva de equipamentos móveis na indústria de mineração
| dc.contributor.advisor1 | TEIXEIRA , Raphael Barros | |
| dc.contributor.advisor1Lattes | http://lattes.cnpq.br/4902824086591521 | |
| dc.contributor.advisor1ORCID | https://orcid.org/0000-0003-2993-802X | |
| dc.creator | CONCEIÇÃO, Jade Melo da | |
| dc.date.accessioned | 2026-08-27T12:13:53Z | |
| dc.date.available | 2026-08-27T12:13:53Z | |
| dc.date.issued | 2026-07-14 | |
| dc.description.abstract | Lubricating oil analysis is an important tool for identifying premature equipment failures, extending component lifespan, and reducing maintenance costs. In this context, it is necessary to develop methods that contribute to the improvement of diagnostic quality and the anticipation of potential failures. Thus, thiswork proposes the application of machine learning techniques to classify the results of oil analyses in mobile equipment within the mining industry, identifying the oil condition based on parameters established by asset management. For this study, diagnostic data collected through daily sampling over two years were used. The dataset underwent preprocessing stages and was divided into training (80%) and validation (20%) subsets, allowing for the training andevaluation of different classification algorithms, including Random Forest, K-Nearest Neighbors (KNN), Support Vector Machine (SVM), Decision Tree, and Multilayer Perceptron (MLP). The models were applied with the objective of identifying data patterns and classifying the oil state according to the defined parameters into normal, monitor, and critical classes. The evaluated algorithms presented competitive predictive performance, with emphasis on the Random Forest, which achieved the best overall performance, reaching an accuracy of 83.25%, a Macro F1-score of 82.02%, and high stability in the Precision-Recall curve (Average Precision of 0.84 for the critical class). Thus, the study validates the effectiveness of machine learning as a robust decision-support tool predictive maintenance strategies. | |
| dc.description.resumo | A análise de óleo lubrificante é uma ferramenta importante para identificar falhas prematuras em equipamentos, prolongar a vida útil dos componentes e reduzir custos de manutenção. Nesse contexto, torna-se necessário desenvolver métodos que contribuam para a melhoria da qualidade dos diagnósticos e para a antecipação de possíveis falhas. Dessa forma, este trabalho propõe a aplicação de técnicas de aprendizagem de máquina para classificar os resultados de análises de óleo em equipamentos móveis da indústria de mineração, identificando a condição do óleo com base em parâmetros estabelecidos pela gestão de ativos. Para a realização do estudo, foram utilizados dados de diagnósticos coletados com amostragem diária ao longo de dois anos. O conjunto de dados foi submetido a etapas de pré-processamento e dividido em subconjuntos de treino (80%) e validação (20%), permitindo treinamento e avaliação de diferentes algoritmos de classificação, incluindo Random Forest, K-Nearest Neighbors (KNN), Support Vector Machine (SVM), Árvore de Decisão e Multilayer Perceptron (MLP). Os modelos foram aplicados com o objetivo de identificar padrões nos dados e classificar o estado do óleo de acordo com os parâmetros definidos nas classes normal, monitorar e crítico. Os algoritmos avaliados apresentaram índices competitivos de assertividade, com destaque para o Random Forest, que obteve o melhor desempenho global ao atingir 83,25% de acurácia e 82,02% de F1 score Macro e elevada estabilidade na curva Precision-Recall (Average Precision de 0,84 para a classe crítico). Desse modo, o estudo valida a eficácia do aprendizado de máquina como uma ferramenta robusta de apoio à tomada de decisão em estratégias de manutenção preditiva. | |
| dc.identifier.citation | CONCEIÇÃO, Jade Melo da. Aprendizado de máquina para análise de óleo na manutenção preditiva de equipamentos móveis na indústria de mineração. Orientador: Raphael Barros Teixeira. 2026. 79 f. Trabalho de Curso (Bacharelado em Engenharia Elétrica) – Faculdade de Engenharia Elétrica, Campus Universitário de Tucuruí, Universidade Federal do Pará, Tucuruí, 2026. Disponível em: https://bdm.ufpa.br/handle/prefix/10040. Acesso em:. | |
| dc.identifier.uri | https://bdm.ufpa.br/handle/prefix/10040 | |
| dc.language | por | |
| dc.rights | Acesso Aberto | pt_BR |
| dc.rights.license | Attribution-NonCommercial-NoDerivs 3.0 Brazil | en |
| dc.rights.uri | http://creativecommons.org/licenses/by-nc-nd/3.0/br/ | |
| dc.source.uri | Disponível na internet via Sagitta | pt_BR |
| dc.subject | Análise de óleo | |
| dc.subject | Aprendizado de máquina | |
| dc.subject | Classificação de dados | |
| dc.subject | Manutenção preditiva | |
| dc.subject | Equipamentos móveis | |
| dc.subject | Oil analysis | |
| dc.subject | Machine learning | |
| dc.subject | Data classification | |
| dc.subject | Predictive maintenance | |
| dc.subject | Mobile equipment | |
| dc.subject.cnpq | CNPQ::ENGENHARIAS | |
| dc.subject.cnpq | CNPQ::CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO::METODOLOGIA E TECNICAS DA COMPUTACAO | |
| dc.title | Aprendizado de máquina para análise de óleo na manutenção preditiva de equipamentos móveis na indústria de mineração | |
| dc.type | Trabalho de Curso - Graduação - Monografia | pt_BR |