Use este identificador para citar ou linkar para este item:
http://repositorio.utfpr.edu.br/jspui/handle/1/25960| Título: | Aplicação de ferramenta de machine learning para predição de falhas em equipamentos em indústria de papel |
| Título(s) alternativo(s): | Application of a machine learning tool for failure prediction in paper industry of the working |
| Autor(es): | Gonçalves, Pedro Henrique Cantelli |
| Orientador(es): | Yoshino, Rui Tadashi |
| Palavras-chave: | Teoria da previsão Localização de falhas (Engenharia) Aprendizado do computador Inteligência artificial Máquinas - Manutenção e reparos Industria de celulose Prediction theory Fault location (Engineering) Machine learning Artificial intelligence Machinery - Maintenance and repair Cellulose industry |
| Data do documento: | 8-Fev-2020 |
| Editor: | Universidade Tecnológica Federal do Paraná |
| Câmpus: | Ponta Grossa |
| Citação: | GONÇALVES, Pedro Henrique Cantelli. Aplicação de ferramenta de machine learning para predição de falhas em equipamentos em indústria de papel. 2020. Trabalho de Conclusão de Curso de Especialização (Indústria 4.0) - Universidade Tecnológica Federal do Paraná, Ponta Grossa, 2020. |
| Resumo: | A evolução das tecnologias nos últimos anos tem sido cada vez mais rápida e, impulsionadas pela 4ª revolução industrial, as inovações tem se tornado também mais acessíveis e aplicáveis. Este trabalho vem de encontro a necessidade de busca de novas ferramentas para garantir e elevar a disponibilidade de equipamentos e máquinas em uma indústria do setor de papel e celulose. Tendo o objetivo de garantir a disponibilidade dos ativos é necessário conhecer o correto modo de operação dos equipamentos, seus modos de falha e variáveis vitais para acompanhamento, buscando assim prever quando os ativos têm os primeiros indicadores de defeito e evitar que cheguem a uma falha funcional (parada total). Em busca desta predição antecipada de falhas nos equipamentos, encontramos no aprendizado de máquina (Machine Learning) uma oportunidade de potencializar a análise e identificação de defeitos, correlacionando diversas variáveis vitais dos ativos simultaneamente (análise multi-variável) e repetidas vezes em curtos intervalos de tempo (a cada 5 min). Desenvolvemos então um projeto piloto para avaliar as ferramentas de machine learning existentes no mercado, abrangendo 10 grupos de ativos de uma indústria papeleira. Os ativos selecionados para o projeto piloto foram criteriosamente selecionados. O modelo de operação padrão é o resultado do treinamento da ferramenta de inteligência artificial, para que a máquina identifique os desvios mais sutis nas variáveis vitais dos ativos e sinalize com alertas antecipados de potenciais falhas. O projeto piloto foi implementado em 4 meses, com a participação do time de projetos de uma empresa de tecnologia digital juntamente com o time da engenharia de manutenção da indústria papeleira. Como resultado da aplicação da ferramenta de predição de falhas, foi possível identificar e tratar 2 potenciais de falha logo nos primeiros meses de uso. Esta previsibilidade permite que os times de manutenção de campo planejem com mais tempo a atividade de forma a maximizar a operação das máquinas, com segurança e produtividade garantida. Consideramos o projeto piloto extremamente bem-sucedido, pela facilidade de aplicação da ferramenta e também pelo acerto nas falhas previstas e antecipadas. |
| Abstract: | The evolution of technologies in recent years has been increasingly fast and, driven by the 4th industrial revolution, innovations have also become more accessible and applicable. This work meets the need to search for new tools to guarantee and increase the availability of equipment and machinery in a paper and pulp mill. In order to ensure the availability of assets, it is necessary to know the correct mode of operation of the equipment, its failure modes and vital variables for monitoring, thus seeking to predict when the assets have the first defect indicators and prevent them from reaching a functional failure (total stop). In search of this early prediction of equipment failures, we find in Machine Learning an opportunity to enhance the analysis and identification of defects, correlating several vital variables of the assets simultaneously (multi-variable analysis) and repeatedly in short intervals of time (every 5 min). Then we developed a pilot project to evaluate the machine learning tools on the market, covering 10 groups of assets in a paper industry. The assets selected for the pilot were carefully selected. The standard operational model is the result of training the artificial intelligence tool, so that the machine identifies the most subtle deviations in the vital variables of the assets and signals it with early warnings of potential failures. The pilot was implemented in 4 months, with the participation of the project team of a digital technology company together with the maintenance engineering team of the paper industry. As a result of the application of the failure prediction tool, it was possible to identify and treat 2 potentials of failure in the first months of use. This predictability allows the field maintenance teams to plan the activity with more time in order to maximize the operation of the machines, with safety and guaranteed productivity. We consider the pilot project extremely successful, due to the ease of application of the tool and also due to the accuracy of predicted and anticipated failures. |
| URI: | http://repositorio.utfpr.edu.br/jspui/handle/1/25960 |
| Aparece nas coleções: | PG - Indústria 4.0 |
Arquivos associados a este item:
| Arquivo | Descrição | Tamanho | Formato | |
|---|---|---|---|---|
| ferramentamachinelearningpredicaofalhas.pdf | 900,3 kB | Adobe PDF |  Visualizar/Abrir |
Os itens no repositório estão protegidos por copyright, com todos os direitos reservados, salvo quando é indicado o contrário.