Loading...
Publication
A machine learning framework for predictive maintenance in industrial applications
| Name: | Description: | Size: | Format: | |
|---|---|---|---|---|
| 6.55 MB | Adobe PDF |
Authors
Advisor(s)
Abstract(s)
This thesis explores a Machine Learning (ML) approach to Predictive Maintenance
(PdM) for construction equipment, with a focus on optimizing when fluids and filters
should be replaced. Rather than sticking to fixed service schedules or waiting
on lab diagnostics, the project looks at whether real-world machine usage and past
maintenance records can help make smarter, more adaptive decisions. Several classification
models, including Random Forest (RF) and gradient boosting algorithms,
were trained and later combined using ensemble methods to boost accuracy. To deal
with class imbalances, techniques like data balancing and threshold tuning were used
to improve recall. A regression model was also developed to estimate the Remaining
Useful Life (RUL) of key components and fluids. To make this system easier to use,
a simple app was built where users can input machine data and get maintenance
predictions. While still early in development, the results are promising and suggest
this system could help reduce unnecessary servicing and improve planning for field
teams.
Esta tese explora uma abordagem de ML em PdM para equipamentos de construção, com foco na otimização de estimativa de quando os fluidos e filtros devem ser substituídos. Em vez de se regrar por calendarizações de manutenção fixas ou esperar por diagnósticos laboratoriais, o projeto analisa se a utilização da máquina no mundo real e os registos de manutenção anteriores podem ajudar a tomar decisões mais inteligentes e adaptáveis. Foram treinados vários modelos de classificação, incluindo RF e algoritmos de gradient boosting, que foram posteriormente combinados utilizando métodos de ensemble para aumentar a precisão. Para lidar com desequilíbrios entre classes, foram utilizadas técnicas como data balancing e threshold tuning para melhorar o recall. Foi também desenvolvido um modelo de regressão para estimar a RUL dos principais componentes e fluidos. Para tornar este sistema mais fácil de utilizar, foi criado uma simples aplicação na qual os utilizadores podem introduzir os dados da máquina e obter previsões de manutenção. Embora ainda numa fase inicial de desenvolvimento, os resultados são promissores e sugerem que este sistema pode ajudar a diminuir a manutenção desnecessária e reforçar a eficiência do planeamento logístico das equipas no terreno.
Esta tese explora uma abordagem de ML em PdM para equipamentos de construção, com foco na otimização de estimativa de quando os fluidos e filtros devem ser substituídos. Em vez de se regrar por calendarizações de manutenção fixas ou esperar por diagnósticos laboratoriais, o projeto analisa se a utilização da máquina no mundo real e os registos de manutenção anteriores podem ajudar a tomar decisões mais inteligentes e adaptáveis. Foram treinados vários modelos de classificação, incluindo RF e algoritmos de gradient boosting, que foram posteriormente combinados utilizando métodos de ensemble para aumentar a precisão. Para lidar com desequilíbrios entre classes, foram utilizadas técnicas como data balancing e threshold tuning para melhorar o recall. Foi também desenvolvido um modelo de regressão para estimar a RUL dos principais componentes e fluidos. Para tornar este sistema mais fácil de utilizar, foi criado uma simples aplicação na qual os utilizadores podem introduzir os dados da máquina e obter previsões de manutenção. Embora ainda numa fase inicial de desenvolvimento, os resultados são promissores e sugerem que este sistema pode ajudar a diminuir a manutenção desnecessária e reforçar a eficiência do planeamento logístico das equipas no terreno.
Description
Keywords
PdM ML Ensemble Modeling Regression Modeling Feature Engineering RUL Modelação por ensemble Modelação de regressão Engenharia de atributos
Pedagogical Context
Citation
Publisher
CC License
Without CC licence