Estudo da aplicação de técnicas de análise de dados e Machine Learning em uma indústria de arroz parboilizado : manutenção preditiva e estudo de falhas em uma caldeira

• Main Author: Leites, Lucas Ribeiro Lopes
• Publication Date: 2023
• Format: Bachelor thesis
• Language: por
• Source: Repositório Institucional da UNIPAMPA
• Download full: https://repositorio.unipampa.edu.br/jspui/handle/riu/9300
• topic: CNPQ::ENGENHARIAS; Análise de Dados; Machine Learning; Caldeira; Indústria de arroz; Indústria 4.0; Manutenção preditiva; Estudo de falhas; Data Analysis; Machine Learning; Boiler; Rice industry; Predictive maintenance; Failure study

A ascensão da Indústria 4.0 e suas tecnologias junto ao Big Data trazem consigo diversas oportunidades para a indústria. Aliados a isso, a Análise de Dados e a Machine Learning utilizam desses grandes volumes de dados gerados para auxiliar nas tomadas de decisão. Apesar da ascendência da Indústria 4.0, a realidade brasileira mostra que a maioria das indústrias não estão prontas para essa mudança e são caracterizadas em sua maioria como Indústrias 2.0. Nesse sentido, uma indústria de beneficiamento de arroz apresentou-se promissora para fins de estudo devido suas diversas áreas e geração de dados, por isso, o objetivo do presente trabalho é o estudo da aplicação de técnicas de Análise de Dados e Machine Learning através da linguagem de programação Python em uma indústria de beneficiamento de arroz na Região da Campanha que possui características de uma Indústria 3.0. A área selecionada como objeto de estudo para aplicações das técnicas mencionadas é a de uma caldeira mista que apresenta coleta de dados pela própria empresa de hora em hora através de anotações em planilhas impressas e uma recorrência alta de falhas. A partir disso, os dados são digitalizados através do Microsoft Excel e estudados através da plataforma Jupyter Notebook. As técnicas de Análise de Dados e Machine Learning possuem finalidade de efetuar um estudo de falhas da caldeira e posteriormente uma classificação dessas falhas, somado a isso, efetuar um estudo de manutenção preditiva através da predição da vida útil remanescente da caldeira. Para isso, é utilizado Regressão Linear, XGBoost Regressor e Florestas Aleatórias Classificador e Regressor. Os resultados obtidos neste estudo mostram a validade de trabalhar com Análise de Dados em uma Indústria 3.0 para compreender o processo da caldeira, suas falhas e o comportamento das variáveis de processo perante a algumas das falhas apresentadas. Em contrapartida, acredita-se que as adversidades encontradas nos dados fazem com que os algoritmos de Machine Learning para classificação das condições de falhas e predição da vida útil remanescente não obterem bons resultados.