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. |