| Name: | Description: | Size: | Format: | |
|---|---|---|---|---|
| 5.22 MB | Adobe PDF |
Advisor(s)
Abstract(s)
Maintenance Tasks in a shopfloor are one of the most critical tasks regarding the direct effect on production costs and, consequently, profit. Up until now, maintenance tasks were based on both Run-To-Failure and Reactive paradigms, fixing a machine only when it breaks or at a regular time intervals, regardless of the assets needed the maintenance or not. However, with the Industry 4.0 Paradigm and the Smart Factories concept, machines are now equipped with sensors that monitor a large number of different and varied variables which are afterwards stored. This data can be used to predict machine failures, called Predictive Maintenance, with the aid of the manual registries of asset breakdowns. This project, carried out in the scope of the subject TMDEI of the Master in Informatics Engineering (MEI), aims to conceive and build a system capable of doing Predictive Maintenance, by combining sensors and manual inputted data on ERP systems. PrediMain employs different Machine Learning techniques, with a special emphasis on Ensemble Methods, making the generated machine learning models more robust and accurate, by not using a single algorithm for the predictions. For sensor predictions, before classifying them as failure or not, PrediMain uses the auto-ARIMA technique, being an autoparemetrized method generating more accurate predictions. In the end, the system correctly classifies a set of observations with an estimated 90% of accuracy. This system is also developed to be served as a Software-as-a-Service, allowing multiple Data Sources, and therefore shopfloors, to use the same software instance, consequently not compromising the performance of the existing systems.
As tarefas de manutenção, num contexto de chão de fábrica, são uma das tarefas mais críticas relativamente ao efeito direto nos custos de produção e consequentes lucros. Tradicionalmente, estas tarefas eram baseadas em técnicas rudimentares, seja a manutenção quando a máquina tem uma avariar ou então manutenções regulares no tempo, independentemente de a máquina necessitar ou não. No entanto, com o paradigma da Indústria 4.0 e Smart Factories, as máquinas estão cada vez mais equipadas com sensores que monitorizam um grande conjunto de variáveis e estatísticas que posteriormente são guardadas. Estes dados, em conjunto com os dados introduzidos manualmente nos sistemas ERP e MIS dos chão-de-fábrica, podem ser utilizados para prever falhas, utilizando técnicas de Machine Learning. Este projecto, PrediMain, desenvolvido no âmbito da unidade curricular TMDEI, do Mestrado de Engenharia Informática (MEI), tem como objectivo conceber um sistema capaz de realizar Manutenção Preditiva, dando previsões ao departamento de manutenção de quando é que uma determinada máquina irá ter algum tipo de falha. O PrediMain, tem como suporte técnicas de machine learning, com especial ênfase em técnicas de Ensemble, misturando diferentes algoritmos e técnicas, obtendo assim uma previsão mais fiável e precisa, contrariamente a utilizando apenas um tipo de algoritmo. Para a previsão dos valores de sensores, ainda antes de classificar uma determinada observação como possível falha, é utilizado um método auto-parametrizável e auto-ajustável, autoARIMA, gerando previsões mais fiáveis. No final, o sistema é capaz de classificar um conjunto de observações com uma taxa de acerto rondando os 90%. Por fim, este sistema foi concebido para ser servido a partir da Cloud, com as fontes de dados configuráveis, dando assim uma maior flexibilidade aos potenciais utilizadores e prevenir falhas ou diminuições de performance nos sistemas existentes.
As tarefas de manutenção, num contexto de chão de fábrica, são uma das tarefas mais críticas relativamente ao efeito direto nos custos de produção e consequentes lucros. Tradicionalmente, estas tarefas eram baseadas em técnicas rudimentares, seja a manutenção quando a máquina tem uma avariar ou então manutenções regulares no tempo, independentemente de a máquina necessitar ou não. No entanto, com o paradigma da Indústria 4.0 e Smart Factories, as máquinas estão cada vez mais equipadas com sensores que monitorizam um grande conjunto de variáveis e estatísticas que posteriormente são guardadas. Estes dados, em conjunto com os dados introduzidos manualmente nos sistemas ERP e MIS dos chão-de-fábrica, podem ser utilizados para prever falhas, utilizando técnicas de Machine Learning. Este projecto, PrediMain, desenvolvido no âmbito da unidade curricular TMDEI, do Mestrado de Engenharia Informática (MEI), tem como objectivo conceber um sistema capaz de realizar Manutenção Preditiva, dando previsões ao departamento de manutenção de quando é que uma determinada máquina irá ter algum tipo de falha. O PrediMain, tem como suporte técnicas de machine learning, com especial ênfase em técnicas de Ensemble, misturando diferentes algoritmos e técnicas, obtendo assim uma previsão mais fiável e precisa, contrariamente a utilizando apenas um tipo de algoritmo. Para a previsão dos valores de sensores, ainda antes de classificar uma determinada observação como possível falha, é utilizado um método auto-parametrizável e auto-ajustável, autoARIMA, gerando previsões mais fiáveis. No final, o sistema é capaz de classificar um conjunto de observações com uma taxa de acerto rondando os 90%. Por fim, este sistema foi concebido para ser servido a partir da Cloud, com as fontes de dados configuráveis, dando assim uma maior flexibilidade aos potenciais utilizadores e prevenir falhas ou diminuições de performance nos sistemas existentes.
Description
Keywords
Predictive Maintenance Industry 4.0 Machine Learning Ensemble Methods