Adoção de random forest e regressão linear para previsão de falhas em equipamentos agrícolas

• Ano de defesa: 2021
• Autor(a) principal: Nicola, Márcio José
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Biblioteca Digitais de Teses e Dissertações da USP
• Palavras-chave em Português: Fail Prediction; Linear regression; Maintenance planning; Planejamento da manutenção; Previsão de falhas; Random forest; Regressão linear; WEKA
• Link de acesso: https://www.teses.usp.br/teses/disponiveis/55/55137/tde-16072021-083711/

A previsão de falhas em equipamentos agrícolas do setor sucroenergético é particularmente útil para que as equipes de manutenção possam se planejar para o problema e restabelecer a condição operacional dos equipamentos no menor tempo possível, proporcionando assim o aumento dos índices de disponibilidade dos equipamentos, melhor fluxo de abastecimento de matéria-prima nas unidades produtoras, redução da necessidade de estoques de segurança de cana-de-açúcar e dos riscos de degradação da qualidade da matéria-prima em estoque. Neste contexto, explorou-se a possibilidade de técnicas de aprendizado de máquina complementarem as medidas de manutenção já adotadas e desenvolvidas no setor, aumentando assim a previsibilidade de eventos de falha. Tal exploração utilizou-se de dois conjuntos de dados: histórico de falhas de equipamentos e histórico de sensores de telemetria instalados nos equipamentos. Os dados foram extraídos, analisados, tratados e preparados para que modelos baseados em algoritmos de aprendizado de máquina pudessem ser construídos tomando-os como base; contemplam quinze equipamentos do tipo colhedora de cana-de-açúcar e foram coletados por um período de quatro safras. A preparação dos dados gerou dois novos conjuntos: um para predição da causa da próxima falha e outro para predição do tempo de operação. O primeiro modelo adotou, para fins de comparação, as técnicas de multilayer perceptron e florestas aleatórias, sendo que a segunda se mostrou mais efetiva. A acurácia da previsão do modelo florestas aleatórias foi de 82,80%, praticamente 20 pontos percentuais (p.p.) acima do modelo que adotou multilayer perceptron. O segundo modelo (previsão do tempo de operação), comparou as técnicas de regressão linear, multilayer perceptron e florestas aleatórias, sendo a primeira mais efetiva. O erro médio absoluto foi 2,6 horas. Os modelos precisaram ser combinados, pois de forma isolada não atenderam completamente os objetivos estabelecidos inicialmente. Estudos adicionais contemplaram ainda metodologias de gerenciamentos de projetos e o workbench computacional WEKA, tendo apresentado ótimos resultados no desenvolvimento desta pesquisa. Como trabalhos futuros, sugere-se o desenvolvimento de aplicações que integrem os modelos propostos e a construção de novos modelos que adotem técnicas baseadas em predição de sequências.