Use este identificador para citar ou linkar para este item:
http://repositorio.utfpr.edu.br/jspui/handle/1/38725| Título: | Inovando a manutenção preditiva de caminhões pesados com aprendizado de máquina, dados de telemetria e de reparo |
| Título(s) alternativo(s): | Innovating predictive maintenance for heavy-duty trucks with machine learning, telemetry and repair data |
| Autor(es): | Viscenheski, Juliana Rodrigues |
| Orientador(es): | Silva, Thiago Henrique |
| Palavras-chave: | Caminhões - Manutenção e reparos Análise de falhas (Engenharia) Telemetria Aprendizado do computador Algorítmos Localização de falhas (Engenharia) Trucks - Maintenance and repair Failure analysis (Engineering) Range-finding Machine learning Algorithms Fault location (Engineering) |
| Data do documento: | 22-Ago-2025 |
| Editor: | Universidade Tecnológica Federal do Paraná |
| Câmpus: | Curitiba |
| Citação: | VISCENHESKI, Juliana Rodrigues. Inovando a manutenção preditiva de caminhões pesados com aprendizado de máquina, dados de telemetria e de reparo. 2025. Dissertação (Mestrado em Engenharia Elétrica e Informática Industrial) - Universidade Tecnológica Federal do Paraná, Curitiba, 2025. |
| Resumo: | Este trabalho enfrentou um desafio central no setor de transporte rodoviário de cargas no Brasil, responsável por cerca de 60% da movimentação de mercadorias. Os altos custos de manuten- ção, sobretudo em sistemas de powertrain, impactam diretamente a eficiência operacional e o custo total de propriedade (TCO). Utilizando dados de telemetria de caminhões pesados Euro 6, desenvolveu-se uma abordagem orientada por dados para identificar proativamente veículos com maior risco de falha em um componente específico, visando apoiar estratégias de manutenção preditiva que reduzam despesas com garantia, minimizem sobrecargas nas oficinas e preservem a reputação das montadoras. Foram avaliadas técnicas supervisionadas e não supervisionadas. Os modelos de classificação, especialmente LightGBM, Random Forest e XGBoost, apresentaram desempenho superior na distinção entre veículos falhados e não falhados. Já os métodos de agrupamento, como FCM e FSOM, embora com menor precisão, contribuíram na identificação de padrões operacionais e similaridade entre veículos, oferecendo subsídios valiosos para estratégias de manutenção e desenvolvimento de produto. O FSOM, em particular, destacou-se pela flexibilidade na captação de nuances operacionais relevantes, mesmo com desempenho inferior ao FCM em algumas métricas. A análise de importância das variáveis evidenciou a relevância tanto de atributos operacionais quanto de características específicas dos componentes monitorados, ressaltando a necessidade de uma abordagem integrada na modelagem preditiva. Adicionalmente, os cenários econômicos simulados indicaram que, salvo exceções, a substituição preventiva de componentes foi mais vantajosa do que o custo estimado das falhas evitadas, mesmo considerando penalizações por trocas desnecessárias. A escolha dos limiares ótimos, contudo, deve considerar também fatores logísticos e de satisfação do cliente, fora do escopo desta análise. Entre as limitações, destaca-se a utilização de dados de uma única montadora e o foco em apenas um componente. |
| Abstract: | This work addressed a central challenge in the Brazilian road freight transportation sector, which is responsible for approximately 60% of goods movement. The high maintenance costs, particularly in powertrain systems, directly impact operational efficiency and total cost of ownership (TCO). Using telemetry data from Euro 6 heavy-duty trucks, a data-driven approach was developed to proactively identify vehicles at higher risk of failure in a specific component, aiming to support predictive maintenance strategies that reduce warranty expenses, minimize workshop overload, and preserve the reputation of manufacturers. Supervised and unsupervised techniques were evaluated. Classification models, especially LightGBM, Random Forest, and XGBoost, showed superior performance in distinguishing between failing and non-failing vehicles. On the other hand, clustering methods such as FCM and FSOM, although less accurate, contributed to identifying operational patterns and vehicle similarity, offering valuable input for maintenance strategies and product development. FSOM, in particular, stood out for its flexibility in capturing relevant operational nuances, even though it performed slightly worse than FCM in some metrics. The feature importance analysis highlighted the relevance of both operational attributes and specific characteristics of the monitored components, emphasizing the need for an integrated approach in predictive modeling. Additionally, the simulated economic scenarios indicated that, with few exceptions, preventive component replacement was more advantageous than the estimated cost of avoided failures, even when considering penalties for unnecessary replacements. However, the choice of optimal thresholds should also take into account logistical factors and customer satisfaction, which are beyond the scope of this analysis. Among the limitations is the use of data from a single manufacturer and the focus on only one component. |
| URI: | http://repositorio.utfpr.edu.br/jspui/handle/1/38725 |
| Aparece nas coleções: | CT - Programa de Pós-Graduação em Engenharia Elétrica e Informática Industrial |
Arquivos associados a este item:
| Arquivo | Descrição | Tamanho | Formato | |
|---|---|---|---|---|
| inovandopreditivapesado.pdf | 2,43 MB | Adobe PDF |  Visualizar/Abrir |
Este item está licenciada sob uma Licença Creative Commons
