riangbispo / predictivemaintenance

Projeto de Manutenção Preditiva: Classificação de Falhas em Processos de Fabricação

Projeto de Manutenção Preditiva com Machine Learning

Este projeto visa aplicar técnicas de Machine Learning para predição de falhas em equipamentos industriais com base em diversas condições ambientais e do equipamento. A seguir, apresento uma visão geral do projeto:

Conjunto de Dados

O conjunto de dados utilizado contém informações cruciais para a predição de falhas, incluindo:

• UDI (Identificador Único): Identificador exclusivo para cada ponto de dados.
• ProductID: Variantes de qualidade do produto.
• Temperatura do ar e do processo [K]: Parâmetros relevantes para o processo de fabricação.
• Velocidade de rotação e Torque [rpm, Nm]: Indicadores essenciais do funcionamento da máquina.
• Desgaste da ferramenta [min]: Associado às variantes de qualidade, adiciona minutos de desgaste da ferramenta.
• Rótulo 'falha da máquina': Indica se a máquina falhou para diferentes modos de falha.

Modos de Falha

A falha da máquina consiste em cinco modos independentes:

• Desgaste da Ferramenta (TWF): Substituição ou falha após um tempo de desgaste aleatório.
• Dissipação de Calor (HDF): Falha se a diferença entre temperaturas for inferior a 8,6 K e a velocidade de rotação for inferior a 1380 rpm.
• Energia (PWF): Falha se a potência estiver abaixo de 3.500 W ou acima de 9.000 W.
• Sobretensão (OSF): Falha se o produto de desgaste da ferramenta e torque exceder 11.000 minNm.
• Falhas Aleatórias (RNF): 0,1% de chance independente dos parâmetros de processo.

Exploração do Conjunto de Dados

Verificação das informações e distribuição dos rótulos. Análise exploratória com gráficos de dispersão e histogramas.

Pré-processamento de Dados

Resample dos casos de falha para equilibrar as classes. Normalização e codificação de features.

Modelagem

Modelo Logístico

Treinamento e validação cruzada. Matriz de confusão, curva ROC, e métricas de desempenho.

Árvore de Decisão

Treinamento e validação cruzada. Matriz de confusão, curva ROC, e métricas de desempenho.

Floresta Aleatória

Treinamento, validação cruzada e otimização de parâmetros. Curva Precision-Recall e importância de features.

Conclusão

O projeto apresenta uma abordagem abrangente para a predição de falhas em equipamentos industriais. Os modelos foram avaliados e otimizados, com destaque para a eficácia da Floresta Aleatória. A análise de features fornece insights valiosos sobre os principais indicadores de falha.

Sinta-se à vontade para explorar, contribuir e aprimorar este projeto!