| Name: | Description: | Size: | Format: | |
|---|---|---|---|---|
| 5.64 MB | Adobe PDF |
Authors
Advisor(s)
Abstract(s)
Os 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.
Production line management for cost-effective and machine longevity manufacturing, which considers production and maintenance activities is a key aspect in dealing with the ever-increasing electricity prices, rigid time commitments, maintenance costs, and environmental pressures that many manufacturing companies face nowadays. This dissertation addresses these issues by proposing a novel production line management system for joint optimization of production and maintenance for overall cost minimization and machine longevity improvement. To achieve this, it is proposed a Genetic Algorithm (GA) for production and maintenance scheduling, and an Artificial Neural Network (ANN) for predictive maintenance. The proposed GA takes into account Renewable Energy Resources (RERs), dynamic pricing, energy selling, maintenance activities, and constraints imposed on the production plan. Furthermore, it is also proposed a rescheduling system, employing the same GA, for demand response participation and unexpected machine breakdowns. Two case studies using real-production and residential data are presented. They highlight the robustness of the proposed methodology in reducing overload of single machines and utilizing RERs to cover energy expenses or for selling excess energy, reducing the demand for external suppliers. They also demonstrate the effective integration of predictive maintenance with maintenance optimization and the high adaptability of the proposed scheduler for other applications.
Production line management for cost-effective and machine longevity manufacturing, which considers production and maintenance activities is a key aspect in dealing with the ever-increasing electricity prices, rigid time commitments, maintenance costs, and environmental pressures that many manufacturing companies face nowadays. This dissertation addresses these issues by proposing a novel production line management system for joint optimization of production and maintenance for overall cost minimization and machine longevity improvement. To achieve this, it is proposed a Genetic Algorithm (GA) for production and maintenance scheduling, and an Artificial Neural Network (ANN) for predictive maintenance. The proposed GA takes into account Renewable Energy Resources (RERs), dynamic pricing, energy selling, maintenance activities, and constraints imposed on the production plan. Furthermore, it is also proposed a rescheduling system, employing the same GA, for demand response participation and unexpected machine breakdowns. Two case studies using real-production and residential data are presented. They highlight the robustness of the proposed methodology in reducing overload of single machines and utilizing RERs to cover energy expenses or for selling excess energy, reducing the demand for external suppliers. They also demonstrate the effective integration of predictive maintenance with maintenance optimization and the high adaptability of the proposed scheduler for other applications.
Description
Keywords
Algoritmo genético Avaria de máquina, demand response Escalonamento da produção e manutenção Manutenção preditiva Rede neuronal artificial Artificial neural network Demand response Genetic algorithm Machine breakdown Predictive maintenance Production and maintenance scheduling