Prognosis & Health Management System (PHMS): a machine learning framework to support decision-making in predictive maintenance in a production system
| Orientador(a) (dc.contributor.advisor) | Costa, Cristiano André da | |
| Coorientador(a) (dc.contributor.advisor-co1) | Ramos, Gabriel de Oliveira | |
| Lattes Coorientador(a) (dc.contributor.advisor-co1Lattes) | http://lattes.cnpq.br/9281736089055094 | pt_BR |
| Lattes Orientador(a) (dc.contributor.advisorLattes) | http://lattes.cnpq.br/9637121030877187 | pt_BR |
| Autor(a) (dc.contributor.author) | Souza, Marcos Leandro Hoffmann | |
| Autor(a) Lattes (dc.contributor.authorLattes) | http://lattes.cnpq.br/2420878841218342 | pt_BR |
| Data de Disponibilização (dc.date.accessioned) | 2023-06-01T13:31:42Z | |
| dc.date.available (dc.date.available) | 2023-06-01T13:31:42Z | |
| Data da defesa / Data do evento (dc.date.issued) | 2023-02-23 | |
| Abstract (dc.description.abstract) | The search for the effective use of production assets has been constant, mainly in industries with evolving mechanization. In this way, maintenance management gains visibility as it ensures asset availability. Predictive maintenance (PDM) is one of the main maintenance management strategies. Allows early detection of failures, avoiding unscheduled downtime and unnecessary costs. As technologies have advanced, predictive maintenance improves Prognosis and Health Management (PHM). It provides the means to recognize patterns, understand anomalies and estimate the equipment’s remaining useful life (RUL). At the same time, technologies such as the internet of things (IoT), machine learning (ML), and cloud computing enable the digitization of assets, providing intelligent manufacturing. However, this scenario makes PDM a complex and expensive task when applied to systems with equipment connected in series. On the one hand, data is abundantly generated, collected, and stored. On the other hand, it is difficult to convert data into useful information to support PDM and PHM. Given the gaps related to PDM and reliability, we suggest the Prognosis and Health Management System (PHMS) in this thesis, which is supported by an analytical framework that uses a set of techniques and ML. First, we performed a case study to evaluate the proposition with real data from the process industry. In developing the framework, we used semi-supervised ML with Autoencoder (AE) to build the operational threshold and identify anomalies. For the Feature Identification step, we applied XGBoost and the SHAP method. Next, we test different deep learning architectures to predict the RUL of the system. In the RUL prediction, we present different deep learning architectures. In this sense, we highlight the N-BEATS deep learning architecture as an essential alternative to traditional architectures such as Recurrent Neural Networks (RNN). Through the framework applied to the case study, it was possible to identify an anomaly and the behavior of the most relevant variables for the failure and predict the RUL of the equipment with R2 greater than 90% with N-BEATS. In this way, according to the results presented, the operation and maintenance teams can carry out preventive actions, avoiding unscheduled stops of the production system. In this sense, the development of the framework contributes to the adoption of emerging technologies in real processes. In addition to the benefits presented, we highlight the development of PDM studies on real data unknown in the academic environment. We draw attention to this point, as most reliability studies are based on widely known and treated data. | en |
| Resumo (dc.description.resumo) | A busca pela utilização efetiva dos ativos de produção tem sido constante, principalmente em indústrias com mecanização em evolução. Desta forma, a gestão da manutenção ganha visibilidade por ser responsável por garantir a disponibilidade dos ativos. A manutenção preditiva (MP) é uma das principais estratégias de gestão da manutenção. Permite a detecção precoce de falhas, evitando paradas não programadas e custos desnecessários. À medida que as tecnologias avançaram, a manutenção preditiva contribui para que gestão e prognóstico de saúde seja aperfeiçoada e fornece os meios para reconhecer padrões, entender anomalias e estimar a vida útil restante do equipamento. Paralelamente, tecnologias como internet das coisas, aprendizagem de máquina e computação em nuvem permitem a digitalização de ativos, proporcionando uma manufatura inteligente. No entanto, este cenário torna a MP uma tarefa complexa e cara quando aplicada a sistemas com equipamentos interligados em série. Por um lado, os dados são abundantemente gerados, coletados e armazenados. Por outro lado, há dificuldade em converter os dados em informações úteis para suportar MP e gestão e prognóstico de saúde. Diante das lacunas referentes a MP e confiabilidade, sugerimos nesta tese o Prognosis and Health Management System (PHMS) que é suportado por um framework analítico que utiliza um conjunto de técnicas e modelos aprendizagem de máquina. Para avaliar a proposição, realizamos um estudo de caso com dados reais da indústria de processo. No desenvolvimento do framework usamos aprendizagem de máquina semi-supervisionado com Autoencoder (AE) para construção do limiar operacional e identificação de anomalias. Para a etapa de identificação de variáveis aplicamos o XGBoost e o método SHAP. Na sequência, testamos diferentes arquiteturas de aprendizagem profunda para previsão de vida útil restante do sistema. Na previsão vida útil restante apresentamos diferentes arquiteturas de aprendizagem profunda. Neste sentido, destacamos a arquitetura de aprendizagem profunda N-BEATS como uma alternativa importante, em comparação com arquiteturas tradicionais como Redes Neurais Recorrentes (RNN). Por meio do framework aplicado ao estudo de caso, foi possível identificar uma anomalia, o comportamento das variáveis mais relevantes para a falha, e prever a vida útil restante do equipamento com R2 superior a 90% com o N BEATS. Desta forma, de acordo com os resultados apresentados, as equipes de operação e manutenção podem realizar ações preventivas evitando paradas não programadas do sistema produtivo. Neste sentido, o desenvolvimento do framework contribui para a adoção de tecnologias emergentes em processos reais. Além dos benefícios apresentados, destacamos o desenvolvimento de estudos de MP em dados reais desconhecidos do ambiente acadêmico. Chamamos atenção para este ponto, pois a ampla maioria dos estudos de confiabilidade são realizados sobre dados amplamente conhecidos e tratados. | pt_BR |
| Agência de fomento (dc.description.sponsorship) | Nenhuma | pt_BR |
| URI (dc.identifier.uri) | http://www.repositorio.jesuita.org.br/handle/UNISINOS/12443 | |
| Idioma (dc.language) | pt_BR | pt_BR |
| Nome da instituição (dc.publisher) | Universidade do Vale do Rio dos Sinos | pt_BR |
| País da Instituição (dc.publisher.country) | Brasil | pt_BR |
| Departamento (dc.publisher.department) | Escola Politécnica | pt_BR |
| Sigla da Instituição (dc.publisher.initials) | Unisinos | pt_BR |
| Programa (dc.publisher.program) | Programa de Pós-Graduação em Computação Aplicada | pt_BR |
| Direitos de acesso ao documento (dc.rights) | openAccess | pt_BR |
| Assunto (dc.subject) | Tomada de decisão | pt_BR |
| Assunto (dc.subject) | Indústria 4.0 | pt_BR |
| Assunto (dc.subject) | Internet das Coisas | pt_BR |
| Assunto (dc.subject) | Aprendizagem de máquina | pt_BR |
| Assunto (dc.subject) | Confiabilidade | pt_BR |
| Assunto (dc.subject) | Vida útil restante | pt_BR |
| Assunto (dc.subject) | Decision-making | en |
| Assunto (dc.subject) | Industry 4.0 | en |
| Assunto (dc.subject) | Internet of Things | en |
| Assunto (dc.subject) | Deep learning | en |
| Assunto (dc.subject) | Machine learning | en |
| Assunto (dc.subject) | Reliability | en |
| Assunto (dc.subject) | Remaining useful life | en |
| Tema (CNPq) (dc.subject.cnpq) | ACCNPQ::Ciências Exatas e da Terra::Ciência da Computação | pt_BR |
| Título (dc.title) | Prognosis & Health Management System (PHMS): a machine learning framework to support decision-making in predictive maintenance in a production system | pt_BR |
| Tipo de arquivo (dc.type) | Tese | pt_BR |
Arquivos
Pacote original
1 - 1 de 1
Carregando...
- Nome:
- Marcos Leandro Hoffmann Souza_.pdf
- Tamanho:
- 10.25 MB
- Formato:
- Adobe Portable Document Format
- Descrição:
- prognosis_health
Licença do pacote
1 - 1 de 1
Carregando...
- Nome:
- license.txt
- Tamanho:
- 2.12 KB
- Formato:
- Item-specific license agreed upon to submission
- Descrição: