Please use this identifier to cite or link to this item: https://bdm.ufpa.br:8443/jspui/handle/prefix/3941
Compartilhar:
metadata.dc.type: Trabalho de Conclusão de Curso - Graduação
Title: Análise de dados de manutenção usando aprendizado de máquina: estudo de caso em uma peneira vibratória do segmento de mineração
metadata.dc.creator: LACERDA, Rickelle Moraes
metadata.dc.contributor.advisor1: BAYMA, Rafael Suzuki
Issue Date: 30-Dec-2021
Citation: LACERDA, Rickelle Moraes. Análise de dados de manutenção usando aprendizado de máquina: estudo de caso em uma peneira vibratória do segmento de mineração. Orientador: Rafael Suzuki Bayma. 2021. 79 f. Trabalho de Conclusão de Curso (Bacharelado em Engenharia Elétrica) – Campus Universitário de Tucuruí, Universidade Federal do Pará, Tucuruí, 2021. Disponível em: https://bdm.ufpa.br:8443/jspui/handle/prefix/3941. Acesso em:.
metadata.dc.description.resumo: 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.
Abstract: In search of a recurring problem in a large mining company, that could be studied and approached, research and analysis were carried out on supervisory and data acquisition systems refered to equipment that are inserted in the ore beneficiation process, and so a Screen was selected for this study, that presented 109 failure events in the departments of Electrical, Instrumentation and Automation throughout 2019. From now on, quantitative and qualitative analyzes, investigations and field research were made to seek justifications for the high number of events that generated maintenance. A Losses Profile, which consists of stratifying the losses of the production process by using Pareto charts, in order to identify which are the greatest gain opportunities in the equipment was elaborated. As well as the use of the FMEA tool (Failure Mode and Effect Analysis) that pointed out which failures are most critical and which actions with a certain priority must occur in order to achieve greater Reliability of the asset. In this context, it was understood the importance to, trough Artificial Intelligence and Machine Learning, create a code in MATLAB, using the techniques: PCA and Clustering. Which was able to, from samples of data regarding the functioning of the Screen, to analyze the behavior of these data and find out what would be the ones that present anomalies, fitting in with defective data class groups, and those that do not have anomalies in non defective data class groups. So that it is possible to diagnose the equipment and in the future, improving the code, even predict faults in this equipment and its similars, causing losses in the process to be mitigated.
metadata.dc.subject.cnpq: CNPQ::ENGENHARIAS
Keywords: Aprendizado do computador
Manutenção preditiva
Máquinas de mineração
metadata.dc.rights: Acesso Aberto
metadata.dc.source.uri: Disponível na Internet via Sagitta
Appears in Collections:Faculdade de Engenharia Elétrica - FEE/CAMTUC

Files in This Item:
File Description SizeFormat 
TCC_AnaliseDadosManutencao.pdf1,4 MBAdobe PDFView/Open


This item is licensed under a Creative Commons License Creative Commons