Use este identificador para citar ou linkar para este item:
http://repositorio.utfpr.edu.br/jspui/handle/1/31287| Título: | Detecção de anomalias por meio de machine learning: estudo de caso de sistemas pneumáticos em caminhões |
| Título(s) alternativo(s): | Anomaly detection using Machine Learning in a case of anti-pressure system in trucks |
| Autor(es): | Cabreira, Guilherme Rodrigues |
| Orientador(es): | Oliveira, Gilson Adamczuk |
| Palavras-chave: | Aprendizado do computador Controle pneumático Manutenção Machine learning Pneumatic control Maintenance |
| Data do documento: | 1-Dez-2022 |
| Editor: | Universidade Tecnológica Federal do Paraná |
| Câmpus: | Pato Branco |
| Citação: | CABREIRA, Guilherme Rodrigues. Detecção de anomalias por meio de machine learning: estudo de caso de sistemas pneumáticos em caminhões. 2022. Trabalho de Conclusão de Curso (Engenharia Mecânica) - Universidade Tecnológica Federal do Paraná, Pato Branco, 2022. |
| Resumo: | A ideia principal do vigente trabalho é a aplicação de conceitos e técnicas de Machine Learning, para a predição de falhas em equipamentos relacionados a área de Engenharia Mecânica. Apesar da vasta possibilidade na escolha do software para desenvolvimento do trabalho, foi optado pela utilização do Orange Data Mining devido a sua interface amigável e intuitiva promovido pela programação visual existente no aplicativo. É utilizado no trabalho dados reais captados diariamente em caminhões Scânia. Para a garantia da segurança na condução de veículos pesados, se faz valioso um estudo na previsão de falhas em sistemas pneumáticos, visto que este é responsável por todo sistema de frenagem do veículo. No trabalho foram utilizadas métricas de medições como Classification Acuracy, Precisão, Recall e Specificity. No Software foram utilizados para medição algoritmos como: Regressão Logística, Naive Bayes e Random Forest. Após a realização de dois diferentes métodos no tratamento das 60000 instâncias existentes no banco de dados, foi obtido uma acurácia de 99,4% em Random Forest, 85,6% em Naive Bayes e 99,1% em Regressão Logística. A alta acurácia obtida nos algoritmos demonstra a real possibilidade na previsão de falhas em equipamentos pneumáticos de caminhões, existindo-se a possibilidade do desenvolvimento de equipamentos para a medição em tempo real buscando evitar possíveis acidentes. |
| Abstract: | The main idea of the this paper is the application of Machine Learning concepts and techniques, for the prediction of equipment failure related to the Mechanical Engineering area. Despite the vast possibility in choosing a software for the development of the work, we chose to use Orange Data Mining due to its friendly and intuitive interface promoted by the visual programming of the software. Real data collected daily from Scania trucks are used in the work. The guarantee of safety while driving heavy vehicles, a study in the prediction of failures in pneumatic systems is valuable, since it is responsible for the entire braking system of the vehicle. Measurement metrics such as Classification Accuracy, Precision, Recall and Specificity were used in the work. Algorithms such as: Logistic Regression, Naive Bayes and Random Forest were used in the Software for measurement. After performing two different methods in the treatment of the 60000 existing instances in the database, an accuracy of 99.4% was obtained in Random Forest, 85.6% in Naive Bayes and 99.1% in Logistic Regression. The high accuracy obtained in the algorithms demonstrates the real possibility of predicting failures in pneumatic truck equipment, with the possibility of developing equipment for real-time measurement in order to avoid possible accidents. |
| URI: | http://repositorio.utfpr.edu.br/jspui/handle/1/31287 |
| Aparece nas coleções: | PB - Engenharia Mecânica |
Arquivos associados a este item:
| Arquivo | Descrição | Tamanho | Formato | |
|---|---|---|---|---|
| deteccaoanomaliamachinelearning.pdf | 2,27 MB | Adobe PDF |  Visualizar/Abrir |
Este item está licenciada sob uma Licença Creative Commons
