Aprendizado de máquina para identificação de quebra de vácuo em um desodorizador de óleo
Carregando...
Data
Autor(es)
Título da Revista
ISSN da Revista
Título de Volume
Editor
Universidade Federal de Minas Gerais
Descrição
Tipo
Dissertação de mestrado
Título alternativo
Machine learning for vacuum break identification in an oil deodorizer
Primeiro orientador
Membros da banca
Heitor Soares Ramos Filho
Wladmir Cardoso Brandão
Wladmir Cardoso Brandão
Resumo
O crescimento na utilização de técnicas de aprendizado de máquina nas mais diversas áreas do conhecimento vêm com diversos desafios a serem explorados, dentre eles, a interpretabilidade de séries temporais na gestão de ativos (ou manutenção preditiva). Nesse contexto, o presente trabalho busca desenvolver uma aplicação focada em problemas atualmente enfrentados pela indústria.
Para desenvolver uma aplicação de aprendizado de máquina focada na identificação de falhas em processos produtivos complexos, foram utilizados dados de séries temporais fornecidos por uma empresa parceira e definiu-se o objetivo com base em hipóteses sobre a relação causal dos dados coletados. O modelo LightGBM foi selecionado pela sua eficácia em lidar com grandes volumes de dados e realizar predições precisas. Os dados foram divididos em 90% para treinamento e 10% para validação, garantindo a cronologia dos dados e utilizando validação cruzada com TimeSeriesSplit para assegurar uma avaliação robusta da generalização do modelo.
A contribuição principal está na criação de uma metodologia de expansão e filtragem de features, aplicada diretamente no desenvolvimento do modelo. Foram utilizadas técnicas de engenharia de características e o algoritmo SHAP para criar novos atributos e iterativamente remover variáveis irrelevantes, resultando em um modelo mais eficiente e preciso. Este processo permitiu aprimorar a capacidade do modelo de realizar predições, mantendo apenas as variáveis de maior importância. A avaliação do desempenho do modelo foi feita usando a métrica Mean Absolute Error (MAE), e os resultados demonstraram que o LightGBM obteve o menor erro médio absoluto, destacando a eficácia da abordagem proposta.
A relevância científica desta metodologia reside na sua capacidade de melhorar a interpretabilidade e a eficiência dos modelos de aprendizado de máquina em contextos industriais. Os resultados indicam que o modelo proposto pode prever com precisão o tempo até a falha da máquina, contribuindo para o campo da manutenção preditiva.
A pesquisa contribui para o campo de manutenção preditiva, oferecendo uma abordagem eficiente para a predição de falhas em processos industriais complexos.
Abstract
The growth in the use of machine learning techniques across various fields of knowledge comes with several challenges to be addressed, including the interpretability of time series in asset management (or predictive maintenance). In this context, the present work aims to develop an application focused on solving problems currently faced by the industry.
To develop a machine learning application focused on identifying failures in complex production processes, time series data provided by a partner company was used, and the objective was defined based on hypotheses regarding the causal relationship of the collected data. The LightGBM model was selected for its effectiveness in handling large volumes of data and making accurate predictions. The data was split into 90% for training and 10% for validation, ensuring the chronology of the data and using cross-validation with TimeSeriesSplit to ensure a robust evaluation of the model's generalization.
The main contribution lies in the creation of a feature expansion and filtering methodology, applied directly to the model's development. Feature engineering techniques and the SHAP algorithm were used to create new attributes and iteratively remove irrelevant variables, resulting in a more efficient and accurate model. This process enhanced the model's ability to make predictions by retaining only the most important variables. The model's performance evaluation was conducted using the Mean Absolute Error (MAE) metric, and the results demonstrated that LightGBM achieved the lowest mean absolute error, highlighting the effectiveness of the proposed approach.
The scientific relevance of this methodology lies in its ability to improve the interpretability and efficiency of machine learning models in industrial contexts. The results indicate that the proposed model can accurately predict the time to machine failure, contributing to the field of predictive maintenance. The research contributes to the field of predictive maintenance by offering an efficient approach for failure prediction in complex industrial processes.
Assunto
Computação – Teses, Aprendizado do computador – Teses, Controle de processo – Teses, Indústria – Controle preditivo – Teses
Palavras-chave
Aprendizado de máquina, Interpretabilidade, Séries temporais, Computação