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:
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.
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.
Verificação das informações e distribuição dos rótulos. Análise exploratória com gráficos de dispersão e histogramas.
Resample dos casos de falha para equilibrar as classes. Normalização e codificação de features.
Treinamento e validação cruzada. Matriz de confusão, curva ROC, e métricas de desempenho.
Treinamento e validação cruzada. Matriz de confusão, curva ROC, e métricas de desempenho.
Treinamento, validação cruzada e otimização de parâmetros. Curva Precision-Recall e importância de features.
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!