Modelos preditivos para a gestão de manutenção em equipamentos agrícolas para a cana-de-açúcar: análise, otimização e validação

Detalhes bibliográficos
Ano de defesa: 2024
Autor(a) principal: Fernandes, Willian Rafael
Orientador(a): Não Informado pela instituição
Banca de defesa: Não Informado pela instituição
Tipo de documento: Dissertação
Tipo de acesso: Acesso aberto
Idioma: por
Instituição de defesa: Biblioteca Digitais de Teses e Dissertações da USP
Programa de Pós-Graduação: Não Informado pela instituição
Departamento: Não Informado pela instituição
País: Não Informado pela instituição
Palavras-chave em Português:
Link de acesso: https://www.teses.usp.br/teses/disponiveis/55/55137/tde-08012025-100100/
Resumo: O setor sucroenergético desempenha um papel crucial na economia brasileira, sendo responsável por uma significativa parcela da produção de energia renovável e açúcar do país. A eficiência operacional desse setor está diretamente ligada à gestão adequada de colhedoras e tratores, cujas manutenções são essenciais para garantir a continuidade da produção. As intervenções por manutenção podem ser classificadas entre corretiva e preventiva, cada uma com impactos distintos na disponibilidade dos equipamentos. A improdutividade desses ativos pode acarretar elevados custos financeiros, comprometendo a rentabilidade das operações. Neste contexto, predições precisas de falhas nos equipamentos tornam-se estratégicas para reduzir paradas não planejadas e otimizar a alocação de recursos. Dessa forma, este trabalho utiliza diversos modelos de aprendizagem de máquina e estatística, como modelos lineares generalizados (GLM), Random Forests, XGBoost, CatBoost, LightGBM, ARIMA e Redes Neurais Artificiais para prever quebras em colhedoras e tratores. Os resultados foram satisfatórios, destacando-se pela precisão das predições, sendo que o menor erro percentual absoluto médio (MAPE) obtido foi de 3,8% para colhedora e de 6,5% para trator, indicando razoável acurácia na previsão de falhas. Dessa forma, essa pesquisa pode contribuir significativamente para a otimização de manutenção e, consequentemente, para a melhoria da eficiência operacional no setor.