Repository logo
 
Publication

Machine learning aplicado à gestão de activos físicos industriais

2021-05-06Master thesis Open access
Simple item page
dc.contributor.advisorSobral, José Augusto da Silva
dc.contributor.authorMatos, Gonçalo Ribeiro de
dc.date.accessioned2021-07-07T15:54:26Z
dc.date.available2021-07-07T15:54:26Z
dc.date.issued2021-05-06
dc.descriptionTrabalho final de mestrado para obtenção do grau de Mestre em Engenharia Mecânicapt_PT
dc.description.abstractCom o rápido avanço da tecnologia moderna em todas as áreas, incluindo a industrial, torna-se necessário e útil a utilização de novas metodologias para a optimização e aprendizagem automática de processos básicos e comuns à maioria das empresas, como produção, manutenção e gestão de activos. O objectivo deste Trabalho Final de Mestrado é entender o que é o Machine Learning, quais os seus conceitos e diferentes tipos e a sua aplicação num contexto industrial, na gestão de activos físicos. Neste trabalho são apresentados os conceitos básicos de Machine Learning, os seus tipos (Supervisionados – regressão ou classificação e Não supervisionados – Clustering) e descritos alguns algoritmos de cada tipo, como Regressão Linear, Redes Neuronais Artificiais ou Support Vector Machines. Após aquisição de conhecimentos, é realizado um estudo de caso a um dataset existente no repositório de dados para prognóstico (PCoE – Prognostics Center of Excellence) da NASA. O objectivo deste estudo de caso estipula a previsão da vida útil restante (RUL – Remaining Useful Life) de uma frota de motores do mesmo tipo e perceber o quão perto estão do fim da sua vida, baseado nas condições de trabalho e leitura de sensores. O conjunto de dados é abordado de duas formas distintas, como um problema de regressão e um problema de classificação. É aplicado um algoritmo de regressão (Regressão Linear Múltipla) de forma a tentar prever de forma exacta o RUL e um algoritmo de classificação (SVM - Support Vector Machines) de forma a classificar por classes o tempo de vida útil restante de cada motor. Com os resultados obtidos através da aplicação do algoritmo SVM, é possível prever com uma precisão acima de 90% os motores que se encontram em fim de vida (com um RUL inferior a 50 ciclos) e, desta forma, agendar uma acção de manutenção para os mesmos.pt_PT
dc.description.abstractWith the fast progress of modern technology in all areas, including industrial area, it becomes necessary and useful to use new methodologies for the optimization and automatic learning of basic processes common to most companies, such as production, maintenance and asset management. The aim of this Master's Final Work is to understand what Machine Learning is, what its concepts and different types are and its application in an industrial context, in the management of physical assets. In this work the basic concepts of Machine Learning are presented, its types (Supervised - regression or classification and Unsupervised - Clustering) and some algorithms of each type are described, such as Linear Regression, Artificial Neural Networks or Support Vector Machines. After acquiring knowledge, a case study is performed on an existing dataset in NASA's Prognostics Center of Excellence (PCoE) data repository. The objective of this case study is to predict the RUL (Remaining Useful Life) of a fleet of engines of the same type and to understand how close they are to the end of their life, based on operating conditions and sensor reading. The data set is approached in two distinct ways, as a regression problem and a classification problem. A regression algorithm (Multiple Linear Regression) is applied in order to try to predict exactly the RUL and a classification algorithm (SVM - Support Vector Machines) in order to classify by classes the remaining lifetime of each engine. With the results obtained through the application of the SVM algorithm, it is possible to predict with an accuracy above 90% the motors that are at the end of their life (with a RUL of less than 50 cycles) and thus schedule an maintenance action for them.pt_PT
dc.description.versionN/Apt_PT
dc.identifier.citationMATOS, Gonçalo Ribeiro de - Machine learning aplicado à gestão de activos físicos industriais. Lisboa: Instituto Superior de Engenharia de Lisboa, 2021. Dissertação de mestrado.pt_PT
dc.identifier.tid202737276
dc.identifier.urihttp://hdl.handle.net/10400.21/13524
dc.language.isoporpt_PT
dc.peerreviewedyespt_PT
dc.publisherInstituto Superior de Engenharia de Lisboapt_PT
dc.subjectMachine learningpt_PT
dc.subjectSupport vector machinespt_PT
dc.subjectGestão de activospt_PT
dc.subjectAsset managementpt_PT
dc.subjectManutençãopt_PT
dc.subjectMaintenancept_PT
dc.subjectAprendizagem automáticapt_PT
dc.subjectAutomatic learningpt_PT
dc.subjectRegressãopt_PT
dc.subjectRegressionpt_PT
dc.subjectClassificaçãopt_PT
dc.subjectClassificationpt_PT
dc.subjectVida útil restantept_PT
dc.subjectRemaining useful lifept_PT
dc.subjectRegressão linearpt_PT
dc.subjectLinear regressionpt_PT
dc.titleMachine learning aplicado à gestão de activos físicos industriaispt_PT
dc.typemaster thesis
dspace.entity.typePublication
rcaap.rightsopenAccesspt_PT
rcaap.typemasterThesispt_PT

Files

Original bundle
Now showing 1 - 1 of 1
No Thumbnail Available
Name:
Dissertação.pdf
Size:
1.67 MB
Format:
Adobe Portable Document Format
Download

Collections

ISEL - Eng. Mecan. - Dissertações de Mestrado