Use este identificador para citar ou linkar para este item:
http://repositorio.utfpr.edu.br/jspui/handle/1/35314| Título: | Desenvolvimento de sistema especialista Smart System para automatizar a construção de planos de manutenção: aplicação no setor hidrelétrico |
| Título(s) alternativo(s): | Development of a Smart System to automate the construction of maintenance plans: a case study in the hydroelectric sector |
| Autor(es): | Toni, Vinicius Martins Dias |
| Orientador(es): | Bellinello, Marjorie Maria |
| Palavras-chave: | Inteligencia Artificial Algoritmo Engenharia mecânica Artificial intelligence Algorithm Mechanical engineering |
| Data do documento: | 18-Mar-2024 |
| Editor: | Universidade Tecnológica Federal do Paraná |
| Câmpus: | Guarapuava |
| Citação: | TONI, Vinicius Martins Dias. Desenvolvimento de sistema especialista Smart System para automatizar a construção de planos de manutenção: aplicação no setor hidrelétrico. 2024. 121 f. Trabalho de Conclusão de Curso (Graduação) – Universidade Tecnológica Federal do Paraná, Guarapuava, 2024. |
| Resumo: | Este trabalho investiga a criação de um algoritmo para a concepção de um sistema especialista de suporte à manutenção em unidades geradoras de energia. Incorporando as premissas da Indústria 4.0, o estudo propõe uma abordagem integrada que combina técnicas avançadas de Processamento de Linguagem Natural (PLN) e Inteligência Artificial (IA) para analisar textos de Ordens de Serviço (OS). O objetivo é elaborar um plano de manutenção proativo e inteligente, otimizando os processos e contribuindo para a manutenção preditiva da unidade. Utilizando dados obtidos da Ferramenta de Análise e Criticidade de Modos e Efeitos de Falhas (FMECA), o algoritmo desenvolvido busca estabelecer correlações entre as OS e identificar padrões de falhas e componentes críticos mencionados. A pesquisa emprega uma metodologia híbrida, unindo análise quantitativa, através de métricas e dados numéricos, com análise qualitativa, com o intuito de extrair informações valiosas das narrativas textuais encontradas em 112 registros de manutenção. Para o processamento eficaz dos textos, o estudo aplica técnicas de tokenização, isolando cada palavra nos registros de OS para uma análise mais granular. Este passo é seguido pela filtragem de palavras de parada e pontuações, elementos que não contribuem significativamente para a análise. Subsequentemente, as palavras residuais são lematizadas, consolidando os verbos no infinitivo e masculino singular para substantivos e adjetivos. O tratamento dos dados textuais precede a aplicação de métodos de IA, especificamente a técnica de TF-IDF e a análise de similaridade de cosseno, para determinar a proximidade semântica entre os termos. A implementação do algoritmo, realizada em Python e com armazenamento de dados via SQL, culmina em um plano de manutenção eficaz e econômico. Os resultados apontam para a necessidade de ações de manutenção focadas prioritariamente nos modos de falha identificados como "Queima", "Rompimento" e "Mau contato", e nos componentes críticos como o 'Trocador de Calor', ‘Detector de água no óleo’ e 'Tubulação de água'. |
| Abstract: | This study investigates the creation of an algorithm for the design of an expert system to support maintenance in power generation units. Incorporating the premises of Industry 4.0, the study proposes an integrated approach that combines advanced techniques of Natural Language Processing (NLP) and Artificial Intelligence (AI) to analyze Service Order (SO) texts. The goal is to develop a proactive and intelligent maintenance plan, optimizing processes and contributing to the unit's predictive maintenance. Using data obtained from the Failure Mode, Effects, and Criticality Analysis (FMECA) tool, the developed algorithm seeks to establish correlations between the SOs and identify patterns of failures and critical components mentioned. The research employs a hybrid methodology, merging quantitative analysis through metrics and numerical data with qualitative analysis, aiming to extract valuable information from the textual narratives found in 112 maintenance records. For effective text processing, the study applies tokenization techniques, isolating each word in the SO records for a more granular analysis. This step is followed by filtering out stop words and punctuation, elements that do not contribute significantly to the analysis. Subsequently, the residual words are lemmatized, consolidating verbs into their infinitive form and nouns and adjectives into the masculine singular. The processing of textual data precedes the application of AI methods, specifically the TF-IDF technique and cosine similarity analysis, to determine the semantic proximity between terms. The algorithm implementation, carried out in Python with data storage via SQL, culminates in an efficient and cost-effective maintenance plan. The results indicate the need for maintenance actions focused primarily on failure modes identified as "Burnout", "Breakage", and "Poor contact", and on critical components such as the 'Heat Exchanger', ‘Oil Water Detector’ and 'Water Piping'. |
| URI: | http://repositorio.utfpr.edu.br/jspui/handle/1/35314 |
| Aparece nas coleções: | GP - Engenharia Mecânica |
Arquivos associados a este item:
| Arquivo | Descrição | Tamanho | Formato | |
|---|---|---|---|---|
| linguagemnaturalmanutencao.pdf | 4,35 MB | Adobe PDF |  Visualizar/Abrir |
Este item está licenciada sob uma Licença Creative Commons
