Maio 2020 vol. 3 num. 1 - XIX Simpósio de Pesquisa Operacional & Logística da Marinha

Artigo Completo - Open Access.

Idioma principal | Segundo idioma

CLASSIFICAÇÃO DE FALHAS DE UM CENTRO DE USINAGEM: UM ESTUDO DE CASO UTILIZANDO ÁRVORE DE DECISÃO

CLASSIFICAÇÃO DE FALHAS DE UM CENTRO DE USINAGEM: UM ESTUDO DE CASO UTILIZANDO ÁRVORE DE DECISÃO

Velloso, Higor Medina ; Hora, Henrique Rego Monteiro da ;

Artigo Completo:

As empresas estão cada vez mais buscando atingir uma performance de alto nível para se manter em um ambiente caracterizado por intensa competitividade global. Uma das formas de atingir o nível qualidade e excelência desejado é dando foco nas funções de verificação das atividades de manutenção. Na área de manufatura industrial, os centros de usinagem representam o que há de mais avançado no quesito tecnologia, e paradas indesejadas podem gerar prejuízos para as companhias. Para um melhor controle de detecção e reconhecimento de falhas, a fim de atingir um maior período de disponibilidade deste maquinário, diversos autores utilizam ferramentas de inteligência artificial, como árvores de decisão e SVM, entre outros. Este trabalho tem como objetivo aplicar a técnica de árvore de decisão em um dataset composto pelo histórico de falhas de um centro de usinagem no período de março de 2016 a outubro de 2018, sendo que cada evento possui 4 atributos: Falha, Componente em falha, Tempo até a falha e Tempo da última manutenção. No ambiente WEKA, foi utilizado o algoritmo J48 com validação do tipo cross-validation com 10 subconjuntos e um número mínimo de 7 objetos por folha para gerar um modelo que possui como desfecho o atributo Falha e outro para Componente em falha. Ao fim do trabalho, obteve-se que o sistema hidráulico é o componente de maior criticidade deste tipo de maquinário, uma vez que possui o maior número de eventos tanto para o atributo Falha, quanto para Componente em falha. Apesar dos modelos terem obtido taxas razoáveis de acurácia, percebe-se que eles possuem algumas falhas.

Artigo Completo:

As empresas estão cada vez mais buscando atingir uma performance de alto nível para se manter em um ambiente caracterizado por intensa competitividade global. Uma das formas de atingir o nível qualidade e excelência desejado é dando foco nas funções de verificação das atividades de manutenção. Na área de manufatura industrial, os centros de usinagem representam o que há de mais avançado no quesito tecnologia, e paradas indesejadas podem gerar prejuízos para as companhias. Para um melhor controle de detecção e reconhecimento de falhas, a fim de atingir um maior período de disponibilidade deste maquinário, diversos autores utilizam ferramentas de inteligência artificial, como árvores de decisão e SVM, entre outros. Este trabalho tem como objetivo aplicar a técnica de árvore de decisão em um dataset composto pelo histórico de falhas de um centro de usinagem no período de março de 2016 a outubro de 2018, sendo que cada evento possui 4 atributos: Falha, Componente em falha, Tempo até a falha e Tempo da última manutenção. No ambiente WEKA, foi utilizado o algoritmo J48 com validação do tipo cross-validation com 10 subconjuntos e um número mínimo de 7 objetos por folha para gerar um modelo que possui como desfecho o atributo Falha e outro para Componente em falha. Ao fim do trabalho, obteve-se que o sistema hidráulico é o componente de maior criticidade deste tipo de maquinário, uma vez que possui o maior número de eventos tanto para o atributo Falha, quanto para Componente em falha. Apesar dos modelos terem obtido taxas razoáveis de acurácia, percebe-se que eles possuem algumas falhas.

Download (PDF)

Palavras-chave: Previsão de falha; Mineração de dados; Árvore de Decisão; Centro de Usinagem.,

Palavras-chave: Previsão de falha; Mineração de dados; Árvore de Decisão; Centro de Usinagem.,

DOI: 10.5151/spolm2019-072

Referências bibliográficas
  • [1] A. Ali, The Impact of Innovativeness and Development Time on New Product Performance for Small Firms, Mark. Lett. 11 (2000) 151–163. doi:10.1023/A:1008142823872. [2] L. Swanson, Linking maintenance strategies to performance, Int. J. Prod. Econ. 70 (2001) 237– 244. doi:10.1016/S0925-5273(00)00067-0. [3] W.R. Marcorin, C.R.C. Lima, Análise dos Custos de Manutenção e de Não-manutenção de Equipamentos Produtivos, 11 (2003) 8. [4] L. TAVARES, Administração Moderna da Manutenção, NOVO POLO PUBLICAÇÕES, 201 [5] H.G. Xenos, Gerenciando a Manutenção Produtiva, Edição: 1, Editora GD, 1998. [6] C. Scheffer, P. Girdhar, Practical Machinery Vibration Analysis and Predictive Maintenance, Elsevier, 2004. [7] K.-A. Nguyen, P. Do, A. Grall, Multi-level predictive maintenance for multi-component systems, Reliab. Eng. Syst. Saf. 144 (2015) 83–94. doi:10.1016/j.ress.2015.07.017. [8] P. Do Van, A. Barros, C. Bérenguer, K. Bouvard, F. Brissaud, Dynamic grouping maintenance with time limited opportunities, Reliab. Eng. Syst. Saf. 120 (2013) 51–59. doi:10.1016/j.ress.2013.03.016. [9] M.C. MUNION, Predictive vs. preventive: The debate—and the future, Plant Eng. (2017). https://www.plantengineering.com/articles/predictive-vs-preventive-the-debate-and-the-future/ (accessed December 27, 2018). [10] C. Yang, J. Liu, Y. Zeng, G. Xie, Real-time condition monitoring and fault detection of components based on machine-learning reconstruction model, Renew. Energy. 133 (2019) 433– 44 doi:10.1016/j.renene.2018.10.062. [11] S. Nallusamy, Enhancement of Productivity and Efficiency of CNC Machines in a Small Scale Industry Using Total Productive Maintenance, Int. J. Eng. Res. Afr. 25 (2016) 119–126. doi:10.4028/www.scientific.net/JERA.25.119. [12] S. Nandi, H.A. Toliyat, Condition monitoring and fault diagnosis of electrical machines - a review, in: 1999: pp. 197–204. [13] R. Liu, B. Yang, E. Zio, X. Chen, Artificial intelligence for fault diagnosis of rotating machinery: A review, Mech. Syst. Signal Process. 108 (2018) 33–47. doi:10.1016/j.ymssp.2018.02.016. [14] V. Sugumaran, V. Muralidharan, K.I. Ramachandran, Feature selection using Decision Tree and classification through Proximal Support Vector Machine for fault diagnostics of roller bearing, Mech. Syst. Signal Process. 21 (2007) 930–942. doi:10.1016/j.ymssp.2006.05.004. [15] H.M. Velloso, H.R.M. Da Hora, R.A. de Carvalho, Inteligência Artificial Para Detecção De Falhas Em Equipamentos: Um Estudo Bibliométrico No Setor De Óleo E Gás, in: Penedo/RJ, 2018. [16] Z. Yang, C. Chen, F. Chen, Q. Hao, B. Xu, Reliability analysis of machining center based on the field data, Sci. Technol. (2013) 9. [17] A. Jindal, A. Dua, K. Kaur, M. Singh, N. Kumar, S. Mishra, Decision Tree and SVM-Based Data Analytics for Theft Detection in Smart Grid, IEEE Trans. Ind. Inform. 12 (2016) 1005– 1016. doi:10.1109/TII.2016.2543145. [18] PORTAL MÁQUINAS, Portal Máquinas, (2018). http://portalmaquinas.com.br/limeira/index.php/2-uncategorised/193-mandrilhadora-cnc-wotancut- max-3 (accessed December 26, 2018). [19] I.H. Witten, E. Frank, Data Mining: Practical Machine Learning Tools and Techniques, Second Edition, Elsevier, 2005. [20] T.R. Patil, M.S.S. Sherekar, Performance Analysis of Naive Bayes and J48 Classification Algorithm for Data Classification, Open Access. 6 (2013) 6.
Como citar:

Velloso, Higor Medina; Hora, Henrique Rego Monteiro da; "CLASSIFICAÇÃO DE FALHAS DE UM CENTRO DE USINAGEM: UM ESTUDO DE CASO UTILIZANDO ÁRVORE DE DECISÃO", p. 995-1003 . In: Anais do XIX Simpósio de Pesquisa Operacional & Logística da Marinha. São Paulo: Blucher, 2020.
ISSN 2175-6295, DOI 10.5151/spolm2019-072

últimos 30 dias | último ano | desde a publicação


downloads


visualizações


indexações