Machine learning aplicado à gestão de activos físicos industriais

Abstract

Com o rápido avanço da tecnologia moderna em todas as áreas, incluindo a industrial, torna-se necessário e útil a utilização de novas metodologias para a optimização e aprendizagem automática de processos básicos e comuns à maioria das empresas, como produção, manutenção e gestão de activos. O objectivo deste Trabalho Final de Mestrado é entender o que é o Machine Learning, quais os seus conceitos e diferentes tipos e a sua aplicação num contexto industrial, na gestão de activos físicos. Neste trabalho são apresentados os conceitos básicos de Machine Learning, os seus tipos (Supervisionados – regressão ou classificação e Não supervisionados – Clustering) e descritos alguns algoritmos de cada tipo, como Regressão Linear, Redes Neuronais Artificiais ou Support Vector Machines. Após aquisição de conhecimentos, é realizado um estudo de caso a um dataset existente no repositório de dados para prognóstico (PCoE – Prognostics Center of Excellence) da NASA. O objectivo deste estudo de caso estipula a previsão da vida útil restante (RUL – Remaining Useful Life) de uma frota de motores do mesmo tipo e perceber o quão perto estão do fim da sua vida, baseado nas condições de trabalho e leitura de sensores. O conjunto de dados é abordado de duas formas distintas, como um problema de regressão e um problema de classificação. É aplicado um algoritmo de regressão (Regressão Linear Múltipla) de forma a tentar prever de forma exacta o RUL e um algoritmo de classificação (SVM - Support Vector Machines) de forma a classificar por classes o tempo de vida útil restante de cada motor. Com os resultados obtidos através da aplicação do algoritmo SVM, é possível prever com uma precisão acima de 90% os motores que se encontram em fim de vida (com um RUL inferior a 50 ciclos) e, desta forma, agendar uma acção de manutenção para os mesmos.

With the fast progress of modern technology in all areas, including industrial area, it becomes necessary and useful to use new methodologies for the optimization and automatic learning of basic processes common to most companies, such as production, maintenance and asset management. The aim of this Master's Final Work is to understand what Machine Learning is, what its concepts and different types are and its application in an industrial context, in the management of physical assets. In this work the basic concepts of Machine Learning are presented, its types (Supervised - regression or classification and Unsupervised - Clustering) and some algorithms of each type are described, such as Linear Regression, Artificial Neural Networks or Support Vector Machines. After acquiring knowledge, a case study is performed on an existing dataset in NASA's Prognostics Center of Excellence (PCoE) data repository. The objective of this case study is to predict the RUL (Remaining Useful Life) of a fleet of engines of the same type and to understand how close they are to the end of their life, based on operating conditions and sensor reading. The data set is approached in two distinct ways, as a regression problem and a classification problem. A regression algorithm (Multiple Linear Regression) is applied in order to try to predict exactly the RUL and a classification algorithm (SVM - Support Vector Machines) in order to classify by classes the remaining lifetime of each engine. With the results obtained through the application of the SVM algorithm, it is possible to predict with an accuracy above 90% the motors that are at the end of their life (with a RUL of less than 50 cycles) and thus schedule an maintenance action for them.