Browsing by Author "Mota, Bruno Alexandre Santos"
Now showing 1 - 1 of 1
Results Per Page
Sort Options
- Otimização Multiobjetivo de Produção e Manutenção para uma Manufatura Eficaz e Participação em Programas de Resposta da DemandaPublication . Mota, Bruno Alexandre Santos; Ramos, Carlos Fernando da SilvaOs elevados preços energéticos, principalmente nos dias de hoje, as pressões ambientais devido às mudanças climáticas, a competição elevada que leva muitas vezes as empresas a aceitarem prazos de entrega apertados ou até impossíveis, e manutenções ineficientes que recorrem a inspeções constantes e desnecessárias são os principais problemas que atormentam o setor de manufatura. Para ultrapassar estes problemas, é proposto um sistema inteligente de escalonamento de produção e atividades de manutenção, para um ambiente de manufatura em flexible job shop, que tem como objetivo a minimização dos custos energéticos e da deterioração do estado das máquinas. Além disso, este considera preços dinâmicos do mercado energético, a utilização de energias renováveis, a venda de energia gerada localmente em excesso, a participação em programas de demand response, atividades de manutenção, avarias de máquinas inesperadas, e restrições impostas sobre o plano de produção. Interligado ao sistema de escalonamento, via HTTP, encontra-se um sistema de manutenção preditiva para prever e detetar avarias de máquina antes que estas ocorram. Caso seja previsto ou detetada uma avaria de máquina, dependendo do tempo que tem até que a máquina avarie, é feito o escalonamento de atividades de manutenção ou o reescalonamento do plano de produção não tendo em conta a máquina avariada. O sistema de escalonamento de produção e atividades de manutenção pode ser dividido em três componentes principais: o processamento de dados, caracterizado pelo balanceamento das células job shop; um algoritmo genético para planeamento, representado pela população inicial, cruzamento, mutação e seleção; e, finalmente, duas otimizações determinísticas que procuram diminuir ainda mais os custos e espaçamento entre tarefas sobre o resultado obtido pelo algoritmo genético. O algoritmo genético numa fase inicial faz o balanceamento entre células da linha de produção para equilibrar a energia dos produtos a manufaturar pelas diversas células. De seguida, para cada célula, é executado o algoritmo genético, destaca-se: métodos que tentam reparar o indivíduo, em termos de restrições, na criação da população inicial; um novo tipo de cruzamento mais adequado para problemas que incluem restrições, o qual combina elementos determinísticos e não-determinísticos de outros tipos de cruzamentos; na mutação é feita a troca entre tarefas e/ou troca do modo de tarefa (uma tarefa pode ter diversos perfis energéticos); e na seleção é feita uma aproximação híbrida, primeiro com a escolha dos n melhores indivíduos, sendo n definido pelo utilizador, e os restantes obtidos a partir de torneios não-elitistas. Após o algoritmo genético, também para cada célula, são executadas duas otimizações determinísticas que visam, se conseguirem: reduzir ainda mais os custos totais (custos energéticos e de manutenção), através da reafetação das tarefas para períodos livres com mais energia gerada ou menores preços energéticos; e reduzir o espaçamento vazio entre tarefas, ou seja, juntar tarefas, para a acomodação de futuros produtos ou manutenções que possam não estar planeadas. Além disso, também é proposto um sistema de reescalonamento de produção e atividades de manutenção, utilizando o mesmo algoritmo genético, para a participação em programas de demand response e avarias inesperadas de máquinas. Este sistema funciona através do reescalonamento de um plano criado anteriormente pelo escalonador. A manutenção preditiva é feita a partir de uma rede neuronal artificial, que tem como objetivo prever se uma máquina falhou ou não. O seu processo de treino poder ser feito em batches, mini-batches ou através de um fluxo contínuo de dados. O processo de treino da rede neuronal começa com a obtenção dos dados mais recentes da máquina (temperatura do ar e do processo da máquina, velocidade de rotação, torque, desgaste da ferramenta e estado de falha da máquina) da base de dados da máquina instalada na fábrica. De seguida, antes do início do treino, é feita uma fase de pré-processamento dos dados em que: (1) é feita a agregação de todos os dados obtidos num único ficheiro (agregação de dados); (2) é feita a normalização das escalas e tipos de dados, através de uma estratégia Min-Max (normalização de dados); (3) é feito o preenchimento dos valores em falta nos dados obtidos, a partir de um método de imputação com o k-nearest neighbors (imputação de dados); (4) são removidos possíveis dados irrelevantes ou errôneos, através da deteção de outliers usando a técnica Z-score (filtragem de dados); (5) é feita a transformação de dados brutos em características que melhor representam o problema em questão (engenharia de dados); e, finalmente, (6) é feito o balanceamento das amostras de falha e não falha dos dados das máquinas, (balanceamento de dados). Depois, os dados pré-processados são enviados à rede neuronal para treino. Se o modelo já tinha sido treinado, então os pesos dos neurónios do modelo são ajustados, de acordo com os novos dados (retropropagação). É de realçar a implementação de um optimizador de hiperparâmetros automático, o qual procura os melhores valores para cada hiperparâmetro num modelo de aprendizagem automático. O processo de treino pode ser iniciado sempre que houver novos dados na base de dados das máquinas. Relativamente à aplicação em tempo real, esta funciona através de uma API REST, para a previsão/deteção de falhas numa máquina e para o ajuste dos pesos dos neurónios da rede (retreino). Dois casos de estudo são usados para validar a solução proposta, um que representa a aplicação da solução num ambiente fabril e outro para o deslocamento de cargas numa residência. Ambos os casos de estudo utilizam dados reais. Estes destacam a robustez da metodologia proposta em reduzir a sobrecarga de tarefas em máquinas individuais, bem como a redução dos custos, através da utilização inteligente de energias geradas localmente para cobrir os gastos energéticos ou para vender a terceiros, reduzindo assim, a necessidade para recorrer a fornecedores externos. Os casos de estudo, também demonstram a integração efetiva da manutenção preditiva com a otimização de atividades de manutenção e a alta adaptabilidade do escalonador proposto para outras aplicações. Finalmente, o sistema de manutenção preditiva é comparado quantitativamente em termos de desempenho a outros sistemas de aprendizagem automática, entre os quais random forest, gradient boosting e support vector machines.